Pracownik Działu Analiz Bioinformatycznych i Statystycznych

Dr Danuta Cembrowska-Lech jest biologiem molekularnym i bioinformatykiem, specjalizującym się w analizie mikroorganizmów i mikrobiomów z wykorzystaniem zaawansowanych metod biologii obliczeniowej. Jest absolwentką Uniwersytetu Szczecińskiego, gdzie uzyskała stopień doktora nauk biologicznych.

W swojej karierze dr Cembrowska-Lech zrealizowała liczne projekty badawcze, które przyczyniły się do postępu w dziedzinie biologii molekularnej i mikrobiologii. Posiada bogate doświadczenie w pracy z różnymi technologiami, w tym cytometrią przepływową, GC-MS, HPLC, UPLCESI(-/+)-MS/MS, MALDI-TOF/TOF, qRT-PCR, oraz sekwencjonowaniem nowej generacji.

W Dziale Analiz Bioinformatycznych i Statystycznych SANPROBI zajmuje się m.in. analizą genomów i metagenomów oraz danych omicznych, takich jak transkryptomika, proteomika i metabolomika, które umożliwiają dogłębną analizę interakcji mikroorganizmów z organizmem ludzkim. Jej specjalizacja obejmuje również Data Science (Data Science Program, Harvard University), co pozwala jej na wykorzystanie zaawansowanych technik analizy danych, takich jak machine learning i deep learning, w badaniach nad mikrobiotą. Jej pasją jest dekodowanie genomów za pomocą sztucznej inteligencji.

Wybrane publikacje naukowe:

  1. Kopera K, Gromowski T, Wydmański W, Skonieczna-Żydecka K, Muszyńska A, Zielińska K, Wierzbicka-Woś A, Kaczmarczyk M, Kadaj-Lipka R, Cembrowska-Lech D, Januszkiewicz K, Kotfis K, Witkiewicz W, Nalewajska M, Feret W, Marlicz W, Łoniewski I, Łabaj PP, Rydzewska G, Kosciolek T. Gut microbiome dynamics and predictive value in hospitalized COVID-19 patients: a comparative analysis of shallow and deep shotgun sequencing.  Front Microbiol. 2024 Jun 19;15:1342749. doi: 10.3389/fmicb.2024.1342749. eCollection 2024. PMID: 38962119.
  2. Cembrowska-Lech D, Krzemińska A, Miller T, Nowakowska A, Adamski C, Radaczyńska M, Mikiciuk G, Mikiciuk M. An Integrated Multi-Omics and Artificial Intelligence Framework for Advance Plant Phenotyping in Horticulture.  Biology (Basel). 2023 Sep 30;12(10):1298. doi: 10.3390/biology12101298. PMID: 37887008.
  3. Miller T, Mikiciuk G, Kisiel A, Mikiciuk M, Paliwoda D, Sas-Paszt L, Cembrowska-Lech D, Krzemińska A, Kozioł A, Brysiewicz A (2023) Machine Learning Approaches for Forecasting the Best Microbial Strains to Alleviate Drought Impact in Agriculture. Agriculture 13(8):1622. doi: 10.3390/agriculture13081622.