Portrait de Jun Ding

Jun Ding

Membre affilié
Professeur adjoint, McGill University, Département de médecine
Sujets de recherche
Apprentissage automatique médical
Apprentissage de représentations
Biologie computationnelle

Biographie

Jun Ding est professeur adjoint au Département de médecine de la Faculté de médecine et des sciences de la santé de l'Université McGill. Aux côtés de son équipe, il se consacre à l'utilisation de techniques d'apprentissage automatique pour éclaircir les dynamiques complexes des cellules dans diverses maladies, telles que les troubles du développement, les maladies pulmonaires et les cancers. La nature diversifiée et complexe de ces affections nécessite l’usage d’approches innovantes, incitant à l'utilisation de technologies unicellulaires de pointe. Ces technologies offrent des possibilités sans précédent pour faire avancer la compréhension, notamment dans des domaines tels que la biologie du développement et du cancer. Cependant, elles posent également des défis dans le développement de modèles informatiques capables de relier ces données biomédicales complexes à des découvertes potentielles.

Jun Ding a comme objectif le développement et l'affinement des méthodologies d'apprentissage automatique, en particulier des modèles graphiques probabilistes, pour analyser, modéliser et visualiser efficacement des données omiques à la fois de cellules uniques et de cellules groupées, souvent avec des dimensions longitudinales ou spatiales. Le but de ses recherches est d'utiliser ces techniques avancées d'apprentissage automatique pour approfondir la compréhension des dynamiques cellulaires, afin de développer des stratégies diagnostiques et thérapeutiques novatrices susceptibles de bénéficier considérablement à la santé publique.

Étudiants actuels

Maîtrise recherche - McGill
Superviseur⋅e principal⋅e :

Publications

Author Correction: BCG immunization induces CX3CR1hi effector memory T cells to provide cross-protection via IFN-γ-mediated trained immunity.
Kim A. Tran
Erwan Pernet
Mina Sadeghi
Jeffrey Downey
Julia Chronopoulos
Elizabeth Lapshina
Oscar Tsai
Eva Kaufmann
Maziar Divangahi
BCG immunization induces CX3CR1hi effector memory T cells to provide cross-protection via IFN-γ-mediated trained immunity.
Kim A. Tran
Erwan Pernet
Mina Sadeghi
Jeffrey Downey
Julia Chronopoulos
Elizabeth Lapshina
Oscar Tsai
Eva Kaufmann
Maziar Divangahi
BCG immunization induces CX3CR1hi effector memory T cells to provide cross-protection via IFN-γ-mediated trained immunity.
Kim A. Tran
Erwan Pernet
Mina Sadeghi
Jeffrey Downey
Julia Chronopoulos
Elizabeth Lapshina
Oscar Tsai
Eva Kaufmann
Maziar Divangahi
BCG immunization induces CX3CR1hi effector memory T cells to provide cross-protection via IFN-γ-mediated trained immunity.
Kim A. Tran
Erwan Pernet
Mina Sadeghi
Jeffrey Downey
Julia Chronopoulos
Elizabeth Lapshina
Oscar Tsai
Eva Kaufmann
Maziar Divangahi
BCG immunization induces CX3CR1hi effector memory T cells to provide cross-protection via IFN-γ-mediated trained immunity.
Kim A. Tran
Erwan Pernet
Mina Sadeghi
Jeffrey Downey
Julia Chronopoulos
Elizabeth Lapshina
Oscar Tsai
Eva Kaufmann
Maziar Divangahi
scCross: a deep generative model for unifying single-cell multi-omics with seamless integration, cross-modal generation, and in silico exploration
Xiuhui Yang
Koren K. Mann
Hao Wu
Single-cell multi-omics illuminate intricate cellular states, yielding transformative insights into cellular dynamics and disease. Yet, whil… (voir plus)e the potential of this technology is vast, the integration of its multifaceted data presents challenges. Some modalities have not reached the robustness or clarity of established scRNA-seq. Coupled with data scarcity for newer modalities and integration intricacies, these challenges limit our ability to maximize single-cell omics benefits. We introduce scCross: a tool adeptly engineered using variational autoencoder, generative adversarial network principles, and the Mutual Nearest Neighbors (MNN) technique for modality alignment. This synergy ensures seamless integration of varied single-cell multi-omics data. Beyond its foundational prowess in multi-omics data integration, scCross excels in single-cell cross-modal data generation, multi-omics data simulation, and profound in-silico cellular perturbations. Armed with these capabilities, scCross is set to transform the field of single-cell research, establishing itself in the nuanced integration, generation, and simulation of complex multi-omics data.
scGeneRythm: Using Neural Networks and Fourier Transformation to Cluster Genes by Time-Frequency Patterns in Single-Cell Data
Yiming Jia
Hao Wu
scSniper: Single-cell Deep Neural Network-based Identification of Prominent Biomarkers
Mingyang Li
Yanshuo Chen
Unveiling the Impact of Arsenic Toxicity on Immune Cells in Atherosclerotic Plaques: Insights from Single-Cell Multi-Omics Profiling
Kiran Makhani
Xiuhui Yang
France Dierick
Nivetha Subramaniam
Natascha Gagnon
Talin Ebrahimian
Hao Wu
Koren K. Mann
scCobra: Contrastive cell embedding learning with domain-adaptation for single-cell data integration and harmonization
Bowen Zhao
Dong-Qing Wei
Yi Xiong