פרופ' ירון אורנשטיין
ביולוגיה חישובית; גנומיקה חישובית; ביואינפורמטיקה; למידת מכונה בביולוגיה; למידה עמוקה; אלגוריתמים לניתוח רצפים; ניתוח רצפים קצרים (k-mers); מינימייזרים (Minimizers); קבוצות פגיעה אוניברסליות (Universal Hitting Sets); ייצוג תמציתי של רצפים (Sequence Sketching); הרכבת גנומים; גרפי דה ברוין (de Bruijn Graphs); חיזוי פעילות מערכת CRISPR/Cas9; חיזוי פעילות באתר המטרה ומחוץ לאתר המטרה (On-target and Off-target Prediction); בקרת ביטוי גנים; אפיגנומיקה; אינטראקציות בין חלבונים ל־DNA; אינטראקציות בין חלבונים ל־RNA; מודלים לחיזוי תפקוד על סמך רצף (Sequence-to-Function Modeling); ריצוף בתפוקה גבוהה; תכנון אלגוריתמים; אלגוריתמים לגרפים; חישוביות מדרגית (Scalable Computation); כלי ביואינפורמטיקה בקוד פתוח.
קורות חיים
מחקר
מעבדת אורנשטיין לביולוגיה חישובית
המעבדה עוסקת בפיתוח אלגוריתמים, מודלים חישוביים וכלי בינה מלאכותית להבנת מידע ביולוגי מורכב, במיוחד רצפי DNA ו־RNA והאינטראקציות שלהם עם חלבונים. המחקר משלב ביולוגיה חישובית, גנומיקה חישובית, ביואינפורמטיקה ולמידת מכונה בביולוגיה, במטרה להבין כיצד רצפים ביולוגיים קובעים אינטראקציות מולקולריות ותפקודים ביולוגיים.
אחד ממוקדי המחקר המרכזיים הוא חיזוי מנגנוני בקרת ביטוי גנים, ובהם קישור של גורמי שעתוק וחלבונים קושרי־RNA. באמצעות שילוב של למידת מכונה, למידה עמוקה, רשתות נוירונים ונתוני ניסויים בתפוקה גבוהה כגון PBM, HT-SELEX, ChIP ו־RNAcompete, המעבדה מפתחת מודלים לחיזוי אינטראקציות בין חלבונים ל־DNA ובין חלבונים ל־RNA. במקביל, המעבדה מפתחת שיטות חישוביות לחיזוי מבנים ותכונות של חומצות גרעין, כולל G-quadruplexes, וכן מודלים להערכת ההשפעות התפקודיות של שינויים ברצפי חלבונים.
כיוון נוסף עוסק ב־CRISPR/Cas9, ובפרט בחיזוי יעילות העריכה הגנומית בהקשרים תאיים שונים. לצד המחקר הביולוגי, המעבדה מפתחת אלגוריתמים יעילים ובני הרחבה לניתוח רצפים בקנה מידה גנומי, לרבות ניתוח רצפים קצרים (k-mers), מינימייזרים (minimizers), קבוצות פגיעה אוניברסליות (universal hitting sets), אינדוקס רצפים וגרפים מסוג de Bruijn.
ייחודה של המעבדה הוא בשילוב הדוק בין מדעי המחשב התאורטיים, תכנון אלגוריתמים ונתונים ביולוגיים ניסויים. באמצעות שילוב של שיטות המבוססות על עקרונות מתמטיים ובעלות יעילות חישובית גבוהה עם מודלים לחיזוי הניתנים לבדיקה וליישום במערכות ביולוגיות אמיתיות, המחקר מקדם את היכולת לנתח רצפים ביולוגיים, להבין אינטראקציות מולקולריות ולחזות תפקודים ביולוגיים.
קורסים
80541 - למידה עמוקה בביולוגיה חישובית
80959 - סמינריון בביולוגיה חישובית
80409 - סמינריון בביוטכנולוגיה
פירסומים
פרסומים נבחרים
1. Yang, L., Orenstein, Y., Jolma, A., Yin, Y., Taipale, J., Shamir, R., & Rohs, R. (2017). Transcription factor family-specific DNA shape readout revealed by quantitative specificity models. Molecular Systems Biology, 13, 910.
https://doi.org/10.15252/msb.20167238
מדגים כי המבנה המרחבי של ה־DNA תורם לספציפיות הקישור של גורמי שעתוק ממשפחות שונות, וחושף כיצד מודלים של למידת מכונה יכולים לפענח מנגנונים של זיהוי DNA על ידי חלבונים, גם ללא מידע ניסויי על המבנה האטומי שלהם.
2. Orenstein, Y., & Shamir, R. (2014). A comparative analysis of transcription factor binding models learned from PBM, HT-SELEX and ChIP data. Nucleic Acids Research, 42(8), e63.
https://doi.org/10.1093/nar/gku117
משווה באופן שיטתי מודלים לחיזוי קישור של גורמי שעתוק ל־DNA, המבוססים על נתוני PBM ו־HT-SELEX, וחושף הבדלים בדיוק החיזוי והטיות הנובעות משיטות הניסוי, החשובים להבנת מנגנוני הבקרה על ביטוי גנים.
3. Ben-Bassat, I., Chor, B., & Orenstein, Y. (2018). A deep neural network approach for learning intrinsic protein-RNA binding preferences. Bioinformatics, 34(17), i638–i646.
https://doi.org/10.1093/bioinformatics/bty600
מציג את DLPRB, גישה המבוססת על למידה עמוקה ומשלבת מידע על רצף ה־RNA ועל המבנה שלו לחיזוי אינטראקציות בין חלבונים ל־RNA, ומשפרת את דיוק החיזוי תוך העמקת ההבנה של ספציפיות הקישור של חלבונים ל־RNA.
4. Orenstein, Y., Wang, Y., & Berger, B. (2016). RCK: accurate and efficient inference of sequence- and structure-based protein–RNA binding models from RNAcompete data. Bioinformatics, 32(12), i351–i359.
https://doi.org/10.1093/bioinformatics/btw259
מפתח את RCK, אלגוריתם יעיל המבוסס על רצפים קצרים (k-mers), הלומד את העדפות הקישור של חלבונים ל־RNA מבחינת רצף ומבנה, ומשפר את הדיוק והיעילות החישובית של חיזוי אינטראקציות בין חלבונים ל־RNA מנתוני RNAcompete בהיקף גדול.
5. Orenstein, Y., Pellow, D., Marçais, G., Shamir, R., & Kingsford, C. (2017). Designing small universal k-mer hitting sets for improved analysis of high-throughput sequencing. PLOS Computational Biology, 13(10), e1005777.
https://doi.org/10.1371/journal.pcbi.1005777
מציג אלגוריתם לבניית קבוצות אוניברסליות קומפקטיות של רצפים קצרים (universal k-mer hitting sets), המאפשרות ייצוג יעיל של רצפים גנומיים ומשפרות את היעילות החישובית של ניתוח נתוני ריצוף בקנה מידה גדול.
אמצעי התקשורת
המודל הישראלי שיוכל להאיץ פיתוחן של תרופות חדשות לווירוסים | ynet, אנה ריבקין, מכון דוידסון | כתבה על מחקר בהשתתפות ד"ר ירון אורנשטיין, המשלב למידת מכונה וביולוגיה סינתטית לחיזוי אינטראקציות בין RNA לחלבונים, עם פוטנציאל לפיתוח תרופות אנטי־ויראליות.
תאריך עדכון אחרון : 13/10/2026
