Craig Glastonbury si presenta

Craig Glastonbury è un genetista con esperienza nell’uso dell’apprendimento automatico applicata alla biologia. L’interesse scientifico del suo gruppo di ricerca è comprendere la base genetica e meccanicistica delle malattie complesse. A questo scopo, Craig utilizza gli ultimi sviluppi dell’apprendimento automatico insieme a grandi seti di dati genomici e clinici, con un focus specifico sull’istopatologia e sull’imaging medico.

Attualmente Craig Glastonbury è un Lead Machine Learning Researcher presso BenevolentAI a Londra nel Regno Unito dove guida la squadra di genetica nel team di Precision Medicine. Prima di lavorare nel mondo dell’industria, Craig è stato un ricercatore post dottorato al Big Data Institute (BDI) e all’Università di Oxford e ha completato il suo dottorato al King’s College London. Craig arriverà in Human Technopole a maggio 2022 per stabilire il suo gruppo di ricerca all’interno del Centro di Genomica – Programma Genomica Medica e di Popolazione. Il Glastonbury Group esplorerà l’uso e lo sviluppo di metodi scalabili di apprendimento automatico applicati a coorti di imaging e genetica su larga scala per comprendere le basi meccanicistiche dei loci GWAS in una serie di malattie complesse.

Hai sempre saputo di voler diventare uno scienziato?

Non credo di aver sempre saputo di voler fare lo scienziato, ma fin da adolescente ero affascinato dalla scienza, dalla fisica alla biologia evoluzionaria. Ricordo di aver fatto fatica a scegliere tra informatica e biologia all’università. Oggi ho l’opportunità di lavorare all’intersezione tra le due ed è veramente fantastico! Poter perseguire una carriera scientifica è davvero un privilegio, è un lavoro estremamente interessante e di grande soddisfazione e mi sento fortunato a poter portare avanti il mio programma scientifico in Human Technopole.

Di cosa ti occuperai al Centro di Genomica?

A livello generale il mio gruppo di ricerca di occuperà di utilizzare l’apprendimento automatico per comprendere le basi genetiche e meccanicistiche di malattie complesse. Nello specifico, lavoreremo sull’estrazione di fenotipi o caratteristiche diagnostiche da set di dati di imaging medico su larga scala utilizzando tecniche di apprendimento automatico supervisionate e non. Accoppiando fenotipi derivati dalle immagini con la genetica potremo iniziare a comprendere le basi cellulari e meccanicistiche di un ampio spettro di malattie complesse.

Raccontaci qualcosa di più sulla tua ricerca. Qual è l’aspetto che ritieni più affascinante?

Credo sia l’intersezione tra apprendimento automatico e biologia. Si tratta di due settori in rapidissima crescita: è molto interessante – ma anche molto difficile – essere sempre aggiornati su tutte le novità di entrambe. Tuttavia, prendere le ultime novità nel campo dell’apprendimento automatico e applicarle ad importanti domande biologiche è la cosa che mi entusiasma davvero. Per esempio, l’apprendimento semi-supervisionato, una forma di apprendimento non supervisionato, ha iniziato a raggiungere prestazioni simili agli algoritmi completamente supervisionati. Credo che questo campo abbia grandi potenzialità per la biologia computazionale dove le label sono difficili da ottenere ma ci sono grandi quantità di dati.

Come sei venuto a conoscenza di Human Technopole e cosa ti ha spinto a fare domanda?

Conoscevo Nicole Soranzo e il suo gruppo al Sanger Institute quindi quando ho visto la posizione aperta sono rimasto molto coplito dal calibro di scienziati reclutati da HT. HT ha costruito facility che sono complementari con il mio lavoro, dal centro di Genomica alle Facility di Imaging. Questo, unito al mio interesse a tornare nel mondo accademico per avviare il mio gruppo di ricerca e l’opportunità di lavorare in un nuovo paese, mi hanno convinto.

La ricerca può avere molti alti e bassi, grandi successi ma anche momenti di delusione. Come ti tieni motivato?

A volte un progetto fallito o un paper rifiutato possono essere molto demotivanti. Io trovo utile guardare al quadro più ampio: perché sto lavorando a questo? Perché è importante? Se si riescono a trovare risposte a queste domande, si può sorvolare sui piccoli fallimenti che sono spesso di secondaria importanza. La scienza inoltre non riguarda sempre l’individuo, grazie alla collaborazione e il mentoring posso vedere ed aiutare gli altri ad avere successo, il che è estremamente gratificante.