male-avatar
Μεταδιδακτορικός επιστήμονας, INSERM, Πανεπιστήμιο της Μπρεστ, Γαλλία

Σύντομη Περιγραφή

Ο Κωνσταντίνος Χατζηπαπάς (KX) απέκτησε το διδακτορικό του δίπλωμα το 2021 στην Ιατρική Φυσική από την Ιατρική σχολή του Πανεπιστημίου Πατρών, όπου ανέπτυξε το πακέτο IDDRRA, ένα λογισμικό ανοικτής πρόσβασης, σχεδιασμένο για το μοντελοποίηση μορίων DNA, καθώς και για την ποσοτικοποίηση βλαβών στο DNA. Το IDDRRA ήταν το πρώτο εργαλείο που εισήγαγε γραφικό περιβάλλον χρήστη καθώς και τη χρήση της Python σε προσομοιώσεις Monte Carlo (MC) σε συνδυασμό με τις βιβλιοθήκες του Geant4. Μετά από μια σύντομη περίοδο στη βιομηχανία ως μηχανικός έρευνας και ανάπτυξης για έργα σχετιζόμενα με MC, ευρωπαϊκής χρηματοδότησης, ο ΚΧ συνέχισε σε μια μεταδιδακτορική θέση στο Πανεπιστήμιο του Μπορντό (LP2iB, CNRS/IN2P3), επικεντρώνοντας το ενδιαφέρον του προς την ποσοτικοποίηση της αντίδρασης των κυττάρων στις προκληθέντες από ακτινοβόληση βλάβες στο DNA τους, χρησιμοποιώντας το πακέτο Geant4-DNA. Κατά τη διάρκεια αυτής της μεταδιδακτορικής φάσης, ανέπτυξε το molecularDNA, το οποίο επιτρέπει την υπολογιστική προσέγγιση των μηχανισμών επιδιόρθωσης καθώς και την εκτίμηση των πιθανοτήτων επιβίωσης των κυττάρων. Ο ΚΧ είναι επί του παρόντος μεταδιδακτορικός επιστήμονας στην ομάδα ACTION του εργαστηρίου LaTIM (INSERM, Πανεπιστήμιο της Μπρεστ, Γαλλία). Είναι μέλος έργων χρηματοδοτούμενων από την ΕΕ σχετικά με τη θεραπεία ακτινοβολίας με χρήση σωμάτιων άλφα, και την εκτίμηση της δόσης και του κλινικού αποτελέσματος, χρησιμοποιώντας την τεχνητή νοημοσύνη (AI). Επίσης, αυτή τη στιγμή είναι ο υπεύθυνος, στην κοινότητα Geant4-DNA, σε θέματα έρευνας και ανάπτυξης με χρήση της τεχνητής νοημοσύνης. Ο ΚΧ έχει υπάρξει επιστημονικός σύμβουλος για περισσότερους από 10 μεταπτυχιακούς φοιτητές και υποψήφιους διδάκτορες (ΥΔ) κατά τη διάρκεια της διπλωματικής τους εργασίας και αυτήν την περίοδο συν-επιβλέπει  ΥΔ και μεταδιδακτορικούς ερευνητές, σε μελέτες που σχετίζονται με τους τομείς των MC προσομοιώσεων χρησιμοποιώντας τα πακέτα Geant4-DNA και GATE, καθώς και μεθόδους Deep Learning.