Wiki FKKT - User contributions [en]

Mystiphage

2026-05-26T16:33:35Z

Zala Zupan:

Mystiphage: Generativna AI platforma za personalizirano fagoterapijo in premagovanje antibiotične rezistence

KRIZA MODERNE MEDICINE

Danes vam bom predstavila projekt Mystiphage, s katerim je študentska ekipa iGEM Toronto dosegla velik uspeh.
Sodobna medicina je v današnjem času na robu prepada, zaradi vse večjega pojava antibiotične rezistence oziroma mikrobne odpornosti na antibiotike. Zaradi pretirane in napačne uporabe antibiotikov v humani medicini in kmetijstvu so bakterije razvile obrambne mehanizme proti skoraj vsem obstoječim razredom protimikrobnih zdravil. Svetovna zdravstvena organizacija opozarja, da je antibiotična rezistenca ena največjih groženj javnemu zdravju. Statistični modeli in projekcije kažejo zelo pesimistične napovedi: do leta 2050 bi lahko zaradi okužb z odpornimi bakterijami (t.i. superbakterijami) na svetu umrlo več kot 39 milijonov ljudi. Vstopamo torej v post-antibiotično ero, kjer bi lahko navadne ureznine ali rutinske operacije ponovno postale usodne.
Kot izjemno obetavna alternativa se ponuja fagoterapija – uporaba bakteriofagov, virusov, ki okužujejo in uničujejo izključno bakterijske celice, za ljudi pa so popolnoma nenevarni. Vendar se tradicionalna fagoterapija sooča z resnim logističnimi in biološkimi omejitvami. Fagi so evolucijsko razvili zelo ozko specifičnost; pogosto lahko okužijo le določen sev znotraj iste bakterijske vrste.

Ko pacient v bolnišnici umira zaradi okužbe z bakterijo odporno na antibiotik, trenutni protokol zahteva "iskanje in ujemanje". Znanstveniki morajo vzorčiti okolje (npr. odpadne vode), izolirati fage, jih v laboratoriju testirati proti pacientovemu sevu in upati na uspeh. Ta proces v praksi traja tedne ali celo mesece. Medtem ko mi iščemo primeren fag, bakterije v pacientu mutirajo in časovno okno za uničenje le te se zmanjšuje. Ekipa iGEM Toronto je zato postavila zelo zanimivo vprašanje: Kaj če namesto dolgotrajnega iskanja fagov v naravi, fagne proteine preprosto računalniško reprogramiramo in natisnemo v nekaj urah?

SUHI LAB (DRY LAB)

Odgovor ekipe na ta izziv je PHORAGER kar je kratica za: Phage Host-Optimized Receptor-Activated Generative Engineering Repository. To je napreden, celovit računalniški algoritem, ki uporablja sistem umetne inteligence za specifično preoblikovanje receptorsko-vezavnih domen (RBD) v fagnih proteinih. S spreminjanjem teh domen lahko fagu poljubno zamenjamo tarčo in mu omogočimo napad na prej odporno bakterijo.
Celotna procesna veriga PHORAGER deluje skozi štiri ključne, visoko tehnološke faze:

A. Sistematična validacija podatkov

Umetna inteligenca je dobra le toliko, kolikor so dobri podatki, na katerih se uči. Ekipa je identificirala pomanjkanje standardiziranih podatkov o fagnih receptorskih proteinih. Zato so ročno in avtomatizirano zbrali ter ovrednostili obsežno podatkovno bazo aminokislinskih sekvenc receptorsko vezavnih domen iz fagov, ki napadajo bakterije iz rodu Escherichia. Za odstranitev ponavljajočih in preveč podobnih sekvenc so uporabili algoritem CD-HIT, s čimer so ustvarili visoko kakovostno, očiščeno in raznoliko podatkovno zbirko, ki služi kot temelj na kateri se uči ta umetna inteligenca.

B. Generativno oblikovanje z modelom ESM-3

V naslednjem koraku so uporabili ESM-3, enega najnaprednejših proteinskih jezikovnih modelov na svetu. Preko procesa, ki mu v računalniški biologiji pravimo računalniško generiranje proteinov (de novo protein design), je model generiral popolnoma nove aminokislinske sekvence za fagne vezavne proteine. Ti proteini v naravi ne obstajajo, vendar so matematično optimizirani tako, da ohranjajo stabilno tridimenzionalno strukturo, hkrati pa kažejo nove fizikalno-kemijske lastnosti.

C. Simulacija sočasnega zvijanja proteinov z Boltz-2

Ko model generira sekvenco, je potrebno preveriti, ali se bo ta v prostoru pravilno zvila in se dejansko vezala na bakterijski receptor (npr. zunanji membranski protein ali lipopolisaharid). Za to so uporabili najsodobnejši strukturni napovedovalni model Boltz-2. Model je izvedel simulacijo sočasnega zvijanja proteina (co-folding), s katero so natančno izračunali interakcijsko površino in prostorsko ujemanje med novim fagnim proteinom in tarčnim receptorjem patogene bakterije.

D. Ciklična optimizacija z algoritmom MCMC

Da bi dosegli maksimalno afiniteto vezave, so v sistem integrirali algoritem MCMC (Markov Chain Monte Carlo). Ta algoritem uvaja drobne, naključne mutacije v računalniško generirano sekvenco in skozi tisoče cikličnih optimizacij ocenjuje energijsko stabilnost vezi. Rezultat tega procesa je končna, visoko optimizirana sekvenca fagnega proteina, pripravljena za sintezo, ki se z visoko specifičnostjo veže na izbrano tarčo.

MOKRI LAB (WET LAB)

Prehod iz digitalnega sveta v biološko realnost je ključen korak vsakega iGEM projekta. Wet Lab ekipa iz Toronta je vzela teoretične napovedi platforme PHORAGER in jih uspešno potrdila in vitro.

Laboratorijska potrditev delovanja

Proces so začeli z naročilom sintezne DNA za načrtovane fagnih proteinov. Te genetske konstrukte so s pomočjo molekularnega kloniranja vstavili v ekspresijske vektorje in jih transformirali v kompetentne celice bakterije Escherichia coli. Po indukciji izražanja proteinov so izvedli afinitetno kromatografijo za izolacijo in čiščenje modificiranih fagnih receptorsko-vezavnih proteinov.

Ključne rezultate za potrditev uspešnosti so dobili s testom fagne lize bakterijskih celic. Na petrijevke so nanesli seve bakterij, ki so bili pred tem popolnoma odporni na naravne fage. Ko so na te bakterijske kolonije nanesli umetno ustvarjene fage, ki so jim vstavili z umetno inteligenco načrtovane receptor-vezavne proteine, so opazovali nastanek čistih con lize (prozornih krogov, kjer so bakterije odmrle). To je bil neizpodbiten dokaz: PHORAGER je uspešno spremenil specifičnost faga.

Strojna oprema EVADE: Ciljana dostava v mikrobiom

Uspešen terapevtik pa potrebuje tudi varen in učinkovit dostavni sistem. Ekipa je ugotovila, da bi oralno zaužiti fagi težko preživeli nizek pH človeškega želodca, poleg tega pa bi se lahko nenadzorovano sprostili v napačnih delih prebavnega trakta.

Zato so oblikovali in izdelali prototip strojne opreme z imenom EVADE (Enteric Volumetric Automated Delivery Engine). Gre za biomedicinsko napravo, ki deluje kot pametna kapsula ali dostavni sistem za črevesni mikrobiom. EVADE uporablja fizikalno-kemijske senzorje (ki zaznavajo spremembe pH in specifičnih encimov), s čimer zagotovi, da se terapevtski fagi sprostijo natanko v tistem delu črevesja, kjer se nahaja žarišče okužbe. S tem so zaščitili občutljive fagne strukture pred uničenjem in hkrati preprečili motnje v zdravem delu mikrobioma.

DRUŽBENI VPLIV IN PODJETNIŠTVO

Projekt Mystiphage pa ne izstopa le zaradi vrhunske znanosti, temveč zaradi celostnega družbenega pristopa.

Prispevek skupnosti

V duhu družbene koristnosti je ekipa iGEM Toronto poskrbela, da njihovo delo ne bo ostalo samo v laboratoriju. Celotno kodo platforme PHORAGER, njihove ovrednotene in očiščene podatkovne baze ter podrobne laboratorijske protokole za ekspresijo proteinov so objavili na javno dostopnem GitLab repozitoriju. To pomeni, da lahko katerikoli raziskovalec ali prihodnja iGEM ekipa kjerkoli na svetu vzame njihov algoritem, vanj vnese podatke za poljubno drugo bakterijo (npr. Pseudomonas aeruginosa ali Staphylococcus aureus) in takoj začne generirati fage za specifične bolnišnične okužbe.

Izobraževanje in vključevanje javnosti

Ekipa je aktivno delovala na področju znanstvene komunikacije. Organizirali in sooblikovali so večmesečna izobraževanja ter odmevne študentske dogodke. Skozi te dogodke so mlajšim študentom in dijakom približali koncepte sintezne biologije in računalniškega učenja ter jih spodbudili k reševanju sodobnih medicinskih izzivov.

Poslovna vizija

Da projekt ne bi ostal le akademska vaja, je ekipa vstopila v univerzitetni podjetniški inkubator. Razvili so okviren poslovni načrt, ki Mystiphage predstavlja kot model neposrednega sodelovanja z zdravstvenimi ustanovami. Vizija podjetja je ponuditi storitev, kjer bolnišnica sekvencira odporen bakterijski sev, s katerim je okužen pacient, podatke pošlje platformi Mystiphage, ta pa v nekaj urah oblikuje personaliziran fagni koktajl, prilagojen točno določenemu pacientu.

ZAKLJUČEK IN REZULTATI

Projekt Mystiphage predstavlja tisto, kar je največja prednost sintezne biologije: združitev računalniške naprednosti, laboratorijskega uspeha in inženirske praktičnosti za reševanje velikega globalnega problema.

Ta celovit pristop je ekipi iGEM Toronto prinesel izjemen uspeh na svetovnem tekmovanju, kjer se vsako leto zbere več tisoč najboljših mladih znanstvenikov z vsega sveta.
S tem projektom so dokazali, da se prihodnost medicine ne skriva v nenehnem iskanju in izkopavanju novih molekul v naravi, temveč v njihovem pametnem, podatkovno vodenem programiranju. S tem ko so združili generativni model umetne inteligence in biologijo fagov, so odprli nova vrata v boju proti rezistentnim bakterijskim sevom in postavili temelj za pravo personalizirano medicino sodobnega časa.

Viri in literatura:
https://2025.igem.wiki/toronto/contribution/
https://teams.igem.org/5708

Mystiphage

2026-05-26T16:31:55Z

Zala Zupan: Created page with "Mystiphage: Generativna AI platforma za personalizirano fagoterapijo in premagovanje antibiotične rezistence KRIZA MODERNE MEDICINE Danes vam bom predstavila projekt Mystiphage, s katerim je študentska ekipa iGEM Toronto dosegla velik uspeh. Sodobna medicina je v današnjem času na robu prepada, zaradi vse večjega pojava antibiotične rezistence oziroma mikrobne odpornosti na antibiotike. Zaradi pretirane in napačne uporabe antibiotikov v humani medicini in kmetijst..."

Mystiphage: Generativna AI platforma za personalizirano fagoterapijo in premagovanje antibiotične rezistence
KRIZA MODERNE MEDICINE
Danes vam bom predstavila projekt Mystiphage, s katerim je študentska ekipa iGEM Toronto dosegla velik uspeh.
Sodobna medicina je v današnjem času na robu prepada, zaradi vse večjega pojava antibiotične rezistence oziroma mikrobne odpornosti na antibiotike. Zaradi pretirane in napačne uporabe antibiotikov v humani medicini in kmetijstvu so bakterije razvile obrambne mehanizme proti skoraj vsem obstoječim razredom protimikrobnih zdravil. Svetovna zdravstvena organizacija opozarja, da je antibiotična rezistenca ena največjih groženj javnemu zdravju. Statistični modeli in projekcije kažejo zelo pesimistične napovedi: do leta 2050 bi lahko zaradi okužb z odpornimi bakterijami (t.i. superbakterijami) na svetu umrlo več kot 39 milijonov ljudi. Vstopamo torej v post-antibiotično ero, kjer bi lahko navadne ureznine ali rutinske operacije ponovno postale usodne.
Kot izjemno obetavna alternativa se ponuja fagoterapija – uporaba bakteriofagov, virusov, ki okužujejo in uničujejo izključno bakterijske celice, za ljudi pa so popolnoma nenevarni. Vendar se tradicionalna fagoterapija sooča z resnim logističnimi in biološkimi omejitvami. Fagi so evolucijsko razvili zelo ozko specifičnost; pogosto lahko okužijo le določen sev znotraj iste bakterijske vrste.
Ko pacient v bolnišnici umira zaradi okužbe z bakterijo odporno na antibiotik, trenutni protokol zahteva "iskanje in ujemanje". Znanstveniki morajo vzorčiti okolje (npr. odpadne vode), izolirati fage, jih v laboratoriju testirati proti pacientovemu sevu in upati na uspeh. Ta proces v praksi traja tedne ali celo mesece. Medtem ko mi iščemo primeren fag, bakterije v pacientu mutirajo in časovno okno za uničenje le te se zmanjšuje. Ekipa iGEM Toronto je zato postavila zelo zanimivo vprašanje: Kaj če namesto dolgotrajnega iskanja fagov v naravi, fagne proteine preprosto računalniško reprogramiramo in natisnemo v nekaj urah?
SUHI LAB (DRY LAB)
Odgovor ekipe na ta izziv je PHORAGER kar je kratica za: Phage Host-Optimized Receptor-Activated Generative Engineering Repository. To je napreden, celovit računalniški algoritem, ki uporablja sistem umetne inteligence za specifično preoblikovanje receptorsko-vezavnih domen (RBD) v fagnih proteinih. S spreminjanjem teh domen lahko fagu poljubno zamenjamo tarčo in mu omogočimo napad na prej odporno bakterijo.
Celotna procesna veriga PHORAGER deluje skozi štiri ključne, visoko tehnološke faze:
A. Sistematična validacija podatkov
Umetna inteligenca je dobra le toliko, kolikor so dobri podatki, na katerih se uči. Ekipa je identificirala pomanjkanje standardiziranih podatkov o fagnih receptorskih proteinih. Zato so ročno in avtomatizirano zbrali ter ovrednostili obsežno podatkovno bazo aminokislinskih sekvenc receptorsko vezavnih domen iz fagov, ki napadajo bakterije iz rodu Escherichia. Za odstranitev ponavljajočih in preveč podobnih sekvenc so uporabili algoritem CD-HIT, s čimer so ustvarili visoko kakovostno, očiščeno in raznoliko podatkovno zbirko, ki služi kot temelj na kateri se uči ta umetna inteligenca.
B. Generativno oblikovanje z modelom ESM-3
V naslednjem koraku so uporabili ESM-3, enega najnaprednejših proteinskih jezikovnih modelov na svetu. Preko procesa, ki mu v računalniški biologiji pravimo računalniško generiranje proteinov (de novo protein design), je model generiral popolnoma nove aminokislinske sekvence za fagne vezavne proteine. Ti proteini v naravi ne obstajajo, vendar so matematično optimizirani tako, da ohranjajo stabilno tridimenzionalno strukturo, hkrati pa kažejo nove fizikalno-kemijske lastnosti.
C. Simulacija sočasnega zvijanja proteinov z Boltz-2
Ko model generira sekvenco, je potrebno preveriti, ali se bo ta v prostoru pravilno zvila in se dejansko vezala na bakterijski receptor (npr. zunanji membranski protein ali lipopolisaharid). Za to so uporabili najsodobnejši strukturni napovedovalni model Boltz-2. Model je izvedel simulacijo sočasnega zvijanja proteina (co-folding), s katero so natančno izračunali interakcijsko površino in prostorsko ujemanje med novim fagnim proteinom in tarčnim receptorjem patogene bakterije.
D. Ciklična optimizacija z algoritmom MCMC
Da bi dosegli maksimalno afiniteto vezave, so v sistem integrirali algoritem MCMC (Markov Chain Monte Carlo). Ta algoritem uvaja drobne, naključne mutacije v računalniško generirano sekvenco in skozi tisoče cikličnih optimizacij ocenjuje energijsko stabilnost vezi. Rezultat tega procesa je končna, visoko optimizirana sekvenca fagnega proteina, pripravljena za sintezo, ki se z visoko specifičnostjo veže na izbrano tarčo.
MOKRI LAB (WET LAB)
Prehod iz digitalnega sveta v biološko realnost je ključen korak vsakega iGEM projekta. Wet Lab ekipa iz Toronta je vzela teoretične napovedi platforme PHORAGER in jih uspešno potrdila in vitro.
Laboratorijska potrditev delovanja
Proces so začeli z naročilom sintezne DNA za načrtovane fagnih proteinov. Te genetske konstrukte so s pomočjo molekularnega kloniranja vstavili v ekspresijske vektorje in jih transformirali v kompetentne celice bakterije Escherichia coli. Po indukciji izražanja proteinov so izvedli afinitetno kromatografijo za izolacijo in čiščenje modificiranih fagnih receptorsko-vezavnih proteinov.
Ključne rezultate za potrditev uspešnosti so dobili s testom fagne lize bakterijskih celic. Na petrijevke so nanesli seve bakterij, ki so bili pred tem popolnoma odporni na naravne fage. Ko so na te bakterijske kolonije nanesli umetno ustvarjene fage, ki so jim vstavili z umetno inteligenco načrtovane receptor-vezavne proteine, so opazovali nastanek čistih con lize (prozornih krogov, kjer so bakterije odmrle). To je bil neizpodbiten dokaz: PHORAGER je uspešno spremenil specifičnost faga.
Strojna oprema EVADE: Ciljana dostava v mikrobiom
Uspešen terapevtik pa potrebuje tudi varen in učinkovit dostavni sistem. Ekipa je ugotovila, da bi oralno zaužiti fagi težko preživeli nizek pH človeškega želodca, poleg tega pa bi se lahko nenadzorovano sprostili v napačnih delih prebavnega trakta.
Zato so oblikovali in izdelali prototip strojne opreme z imenom EVADE (Enteric Volumetric Automated Delivery Engine). Gre za biomedicinsko napravo, ki deluje kot pametna kapsula ali dostavni sistem za črevesni mikrobiom. EVADE uporablja fizikalno-kemijske senzorje (ki zaznavajo spremembe pH in specifičnih encimov), s čimer zagotovi, da se terapevtski fagi sprostijo natanko v tistem delu črevesja, kjer se nahaja žarišče okužbe. S tem so zaščitili občutljive fagne strukture pred uničenjem in hkrati preprečili motnje v zdravem delu mikrobioma.
DRUŽBENI VPLIV IN PODJETNIŠTVO
Projekt Mystiphage pa ne izstopa le zaradi vrhunske znanosti, temveč zaradi celostnega družbenega pristopa.
Prispevek skupnosti
V duhu družbene koristnosti je ekipa iGEM Toronto poskrbela, da njihovo delo ne bo ostalo samo v laboratoriju. Celotno kodo platforme PHORAGER, njihove ovrednotene in očiščene podatkovne baze ter podrobne laboratorijske protokole za ekspresijo proteinov so objavili na javno dostopnem GitLab repozitoriju. To pomeni, da lahko katerikoli raziskovalec ali prihodnja iGEM ekipa kjerkoli na svetu vzame njihov algoritem, vanj vnese podatke za poljubno drugo bakterijo (npr. Pseudomonas aeruginosa ali Staphylococcus aureus) in takoj začne generirati fage za specifične bolnišnične okužbe.
Izobraževanje in vključevanje javnosti
Ekipa je aktivno delovala na področju znanstvene komunikacije. Organizirali in sooblikovali so večmesečna izobraževanja ter odmevne študentske dogodke. Skozi te dogodke so mlajšim študentom in dijakom približali koncepte sintezne biologije in računalniškega učenja ter jih spodbudili k reševanju sodobnih medicinskih izzivov.
Poslovna vizija
Da projekt ne bi ostal le akademska vaja, je ekipa vstopila v univerzitetni podjetniški inkubator. Razvili so okviren poslovni načrt, ki Mystiphage predstavlja kot model neposrednega sodelovanja z zdravstvenimi ustanovami. Vizija podjetja je ponuditi storitev, kjer bolnišnica sekvencira odporen bakterijski sev, s katerim je okužen pacient, podatke pošlje platformi Mystiphage, ta pa v nekaj urah oblikuje personaliziran fagni koktajl, prilagojen točno določenemu pacientu.
ZAKLJUČEK IN REZULTATI
Projekt Mystiphage predstavlja tisto, kar je največja prednost sintezne biologije: združitev računalniške naprednosti, laboratorijskega uspeha in inženirske praktičnosti za reševanje velikega globalnega problema.
Ta celovit pristop je ekipi iGEM Toronto prinesel izjemen uspeh na svetovnem tekmovanju, kjer se vsako leto zbere več tisoč najboljših mladih znanstvenikov z vsega sveta.
S tem projektom so dokazali, da se prihodnost medicine ne skriva v nenehnem iskanju in izkopavanju novih molekul v naravi, temveč v njihovem pametnem, podatkovno vodenem programiranju. S tem ko so združili generativni model umetne inteligence in biologijo fagov, so odprli nova vrata v boju proti rezistentnim bakterijskim sevom in postavili temelj za pravo personalizirano medicino sodobnega časa.
Viri in literatura:
https://2025.igem.wiki/toronto/contribution/
https://teams.igem.org/5708

Seminarji SB 2025/26

2026-05-26T16:31:01Z

Zala Zupan:

V študijskem letu 2025/26 študenti in študentke pri Sintezni biologiji predstavljajo naslednje teme:

RAZISKOVALNI ČLANKI

(Vpišite naslov seminarja v slovenščini in ga povežite z novo stranjo, kjer bo povzetek. Na tej novi strani naj bo pod naslovom povezava do izhodiščnega članka na spletu.) <br>
# [http://wiki.fkkt.uni-lj.si/index.php/OrthologTransformer OrthologTransformer] (Tim David Agrež)
# [http://wiki.fkkt.uni-lj.si/index.php/Genetsko_kodirani_biosenzor_za_spremljanje_depolimerizacije_morskih_polisarahidov Genetsko kodirani biosenzor za spremljanje depolimerizacije morskih polisarahidov] (Vanja Vogrič)
# [http://wiki.fkkt.uni-lj.si/index.php/Komunikacije_na_podlagi_RNA_v_heterogenih_populacijah_mimetičnih_celic Komunikacije na podlagi RNA v heterogenih populacijah mimetičnih celic] (Marcel Tušek)
# [https://wiki.fkkt.uni-lj.si/index.php/Na%C4%8Drtovanje_oscilatorjev_proteinov_na_membrani_vodenih_s_%C5%A1umom_v_%C5%BEivih_celicah Načrtovanje oscilatorjev proteinov na membrani vodenih s šumom v živih celicah] (Varvara Titova)
# [https://wiki.fkkt.uni-lj.si/index.php/Samoinducibilno_molekulsko_stikalo_za_biosintezo_hialuronske_kisline_z_nizko_molekulsko_maso Samoinducibilno molekulsko stikalo za biosintezo hialuronske kisline z nizko molekulsko maso] (Nejc Horvat)
# [https://wiki.fkkt.uni-lj.si/index.php/Reprogramiranje_metabolizma_bakterije_E.coli_za_fiksacijo_CO₂ Reprogramiranje metabolizma bakterije E. coli za fiksacijo CO₂] (Ana Kastelic)
# [https://wiki.fkkt.uni-lj.si/index.php/Organokataliziran_nastanek_protocelic_od_spodaj_navzgor Organokataliziran nastanek protocelic od spodaj navzgor] (Maruša Kristan)
# [https://wiki.fkkt.uni-lj.si/index.php/Programabilen_ribocim_za_prenos_signala_RNA Programabilen ribocim za prenos signala RNA] (Klemen Klopčič)
# [https://wiki.fkkt.uni-lj.si/index.php/Vnos CU-bogatega elementa v 3′ UTR poveča stabilnost in izražanje sintetične mRNA In Vivo] (Lea Jarm)
# [https://wiki.fkkt.uni-lj.si/index.php/Preoblikovanje_centralnega_metabolizma_pri_Komagataella_phaffii_za_učinkovito_sintezo_D-manoze Preoblikovanje centralnega metabolizma pri Komagataella phaffii za učinkovito sintezo D-manoze] (Špela Auer)
# [https://wiki.fkkt.uni-lj.si/index.php/Medvrstni_prenos_kromosomov_v_kvasovkah_vodi_do_izboljšanja_fenotipa_in_raznolikih_transkripcijskih_odzivov Medvrstni prenos kromosomov v kvasovkah vodi do izboljšanja fenotipa in raznolikih transkripcijskih odzivov] (Anja Novak)
# [https://wiki.fkkt.uni-lj.si/index.php/Logično_vezje_IN,_ki_vključuje_sistem_CRISPR/Cas9_in_HCR_za_natančno_detekcijo_ctDNA Logično vezje IN, ki vključuje sistem CRISPR/Cas9 in HCR za natančno detekcijo ctDNA] (Tiara Pšeničnik)
# [https://wiki.fkkt.uni-lj.si/index.php/Ekspresijska_kaseta_za_sintezo_heterolognih_proteinov_v_Y._lipolytica Ekspresijska kaseta za sintezo heterolognih proteinov v Y. lipolytica] (Tonja Oman Sušnik)
# [https://wiki.fkkt.uni-lj.si/index.php/Uravnavanje_evolucijskega_potenciala_s_številom_kopij_plazmida_in_regulatorno_arhitekturo Uravnavanje evolucijskega potenciala s številom kopij plazmida in regulatorno arhitekturo] (Neža Pezo Zupančič)
# [https://wiki.fkkt.uni-lj.si/index.php/Vpliv_sestave_gojišča_na_delovanje_vezja_na_osnovi_izločevalnega_sistema_tipa_III Vpliv sestave gojišča na delovanje vezja na osnovi izločevalnega sistema tipa III] (Jana Bregar)
# [https://wiki.fkkt.uni-lj.si/index.php/Bakterijski_senzor_zelene_svetlobe,_specifičen_za_stacionarno_fazo_rasti,_za_povečanje_proizvodnje_metabolitov Bakterijski senzor zelene svetlobe, specifičen za stacionarno fazo rasti, za povečanje proizvodnje metabolitov] (Vid Kozel)
# [https://wiki.fkkt.uni-lj.si/index.php/Načrtovanje_genetskih_programov_v_sesalskih_celicah_z_uporabo_računalniskega_orodja_GCAD Načrtovanje genetskih programov v sesalskih celicah z uporabo računalniškega orodja GCAD] (Filip Petrovič)
# [https://wiki.fkkt.uni-lj.si/index.php/Vpliv_optogenetske_stimulacije_na_izražanje_nevronskih_genov_v_človeških_mezenhimskih_matičnih_celicah,_pridobljenih_iz_kostnega_mozga_in_maščobnega_tkiva Vpliv optogenetske stimulacije na izražanje nevronskih genov v človeških mezenhimskih matičnih celicah, pridobljenih iz kostnega mozga in maščobnega tkiva] (Andreja Dimovska)
# [https://wiki.fkkt.uni-lj.si/index.php/Cikel_načrtovanja,_izdelave,_testiranja_in_učenja_(DBTL)_pri_razvoju_celičnega_biosenzorja_za_piruvat_na_osnovi_transkripcijskega_faktorja Cikel načrtovanja, izdelave, testiranja in učenja (DBTL) pri razvoju celičnega biosenzorja za piruvat na osnovi transkripcijskega faktorja] (Lenart Bogataj)
# [https://wiki.fkkt.uni-lj.si/index.php/GLYCO-BUILD:_Encimska_platformaza_sintezo_peptidov_z_evkarionstkimi_N-glikani GLYCO-BUILD: Encimska platforma za sintezo peptidov z evkarionstkimi N-glikani] (Anže Perc)
# [http://wiki.fkkt.uni-lj.si/index.php/Fagni_infekcijski_cikel_v_sintetičnih_celicah Fagni infekcijski cikel v sintetičnih celicah] (Primož Šenica Pavletič)
# [http://wiki.fkkt.uni-lj.si/index.php/Avtonomna_biogeneza_vseh_tridesetih_proteinov_translacijskega_sistema_E._coli Avtonomna biogeneza vseh tridesetih proteinov translacijskega sistema E. coli] (Jan Hvalec)
# [http://wiki.fkkt.uni-lj.si/index.php/Konstrukcija_celičnih_tovarn_Escherichia_coli_za_proizvodnjo_L-izolevcina_na_osnovi_propionatne_poti Konstrukcija celičnih tovarn E. coli za proizvodnjo L-izolevcina na osnovi propionatne poti] (Tea Briševac)
# [https://wiki.fkkt.uni-lj.si/index.php?title=Rekonstitucija_transkripcijsko-translacijskih_sklopljenih_DNA_replikacij_znotraj_kompleksnih_in_vitro_biolo%C5%A1kih_sistemov Rekonstitucija transkripcijsko-translacijskih sklopljenih DNA replikacij znotraj kompleksnih in vitro bioloških sistemov] (Teja Mohar)
# [http://wiki.fkkt.uni-lj.si/index.php/Inženiring_dvosmernih_kloroplastnih_promotorjev_za_nastavljivo_soizražanje_več_genov_v_mikroalgah_(Chlamydomonas_reinhardtii) Inženiring dvosmernih kloroplastnih promotorjev za nastavljivo soizražanje več genov v mikroalgah (Chlamydomonas reinhardtii)] (Denis Bajramović)

NAGRAJENI ŠTUDENTSKI PROJEKTI

(Vpišite naslov seminarja v slovenščini in ga povežite z novo stranjo, kjer bo povzetek. Na tej novi strani naj bo pod naslovom povezava do wiki strani študentske ekipe, katere projekt opisujete.)
# [https://wiki.fkkt.uni-lj.si/index.php/NomNomNylon NomNomNylon] (Rebeka Ribič)
# [https://wiki.fkkt.uni-lj.si/index.php/FoCas FoCas] (Amber Bervar)
# [http://wiki.fkkt.uni-lj.si/index.php/TasAnchor TasAnchor] (Jasna Čarman)
# [http://wiki.fkkt.uni-lj.si/index.php/SKIPPIT SKIPPIT] (Brina Klinar)
# [http://wiki.fkkt.uni-lj.si/index.php/InkSight InkSight] (Lucija Kovaček)
# [https://wiki.fkkt.uni-lj.si/index.php?title=KunPeng KunPeng] (Lara Ferjančič)
# [https://wiki.fkkt.uni-lj.si/index.php/NRPieceS NRPieceS] (Katarina Gomiršek)
# [https://wiki.fkkt.uni-lj.si/index.php/Pepcitrus Pepcitrus] (Meri Škorjanc)
# [https://wiki.fkkt.uni-lj.si/index.php/BCoated BCoated] (Meta Smrečnik)
# [https://wiki.fkkt.uni-lj.si/index.php/PHOENICS PHOENICS] (Tjaša Lešnik)
# [https://wiki.fkkt.uni-lj.si/index.php?title=Pyronix Pyronix] (Lea Jukić)
# [https://wiki.fkkt.uni-lj.si/index.php?title=AbsorBuddy AbsorBuddy] (Milena Todorovska)
# [https://wiki.fkkt.uni-lj.si/index.php?title=Mystiphage Mystiphage] (Zala Zupan)
(zgornji primer nadomestite s prvim letošnjim seminarjem iz študentskih projektov)

Povzetki v slovenščini naj imajo 1200-1500 besed (viri v to vsoto ne štejejo). Povzetek je treba objaviti dva dni pred predstavitvijo do polnoči (za seminarje v sredo torej najkasneje v ponedeljek do 23:59). Predstavitev seminarja naj bo dolga 15 minut (13-17). Sledila bo približno 5-minutna razprava.

Terminski razpored je razviden iz preglednice na strežniku Google Drive (dostopno samo študentom tekočega letnika).

Kako je videti končni seznam seminarjev, lahko preverite pri lanskem letniku: [[Seminarji_SB_2024/25]].