Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Analiza danych biomedycznych

Informacje ogólne

Kod przedmiotu: 1000-5D22ADB
Kod Erasmus / ISCED: 11.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0541) Matematyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Analiza danych biomedycznych
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Seminaria magisterskie dla Machine Learning
Seminaria magisterskie na bioinformatyce
Seminaria magisterskie na informatyce
Punkty ECTS i inne: 6.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

seminaria magisterskie

Skrócony opis:

Tematyka seminarium obejmuje działy biologii obliczeniowej oraz działy uczenia maszynowego znajdujące zastosowanie w analizie danych biomedycznych. Interesuje nas problematyka chorób człowieka takich jak nowotwory czy choroby zakaźne. Z działów biologii obliczeniowej skupiamy się na analizie nowoczesnych danych profilowania molekularnego, analizie danych z sekwencjonowania pojedynczych komórek, obrazowania medycznego, czy też struktury białek. Z metod skupiamy się na modelach probabilistycznych grafowych, metodach statystycznej analizy danych, uczenia maszynowego, w tym uczenia głębokiego, a także na modelach generatywnych.

Pełny opis:

Współczesne wyzwania medycyny to często choroby o złożonym podłożu genetycznym i molekularnym. Nowoczesne metody profilowania molekularnego dają ogromne zasoby danych tabularycznych lub obrazowych. Analiza tych danych może pomóc zrozumieć, jak choroby takie jak rak czy choroby zakaźne powstają, jak działają i jak je leczyć.

Analiza danych biomedycznych jest bardzo pojemnym działem, w którym stosowane są różnorodne metody matematyki i informatyki: sztuczna inteligencja, uczenie maszynowe, metody probabilistyczne, statystyka.

Jest to obecnie bardzo intensywnie rozwijający się dział stanowiący przedmiot zainteresowania zarówno firm prywatnych, jak i wszystkich wiodących uniwersytetów.

Tematyka seminarium skupia się wokół metod analizy danych molekularnych. Wiele referatów dotyczy aktualnych projektów badawczych, w których uczestniczą grupy badawcze prowadzących seminarium. Ostatnio nasze zainteresowania dotyczą następujących zagadnień:

- Odporność antybakteryjna. Opracowujemy specjalistyczne głębokie modele generatywne do generacji syntetycznych peptydów przeciwdrobnoustrojowych, które mogą zabijać bakterie oporne na antybiotyki (Stosowane metody: głębokie uczenie, modele generatywne).

- Modelowanie mikrośrodowiska nowotworu. Jaka jest organizacja przestrzenna guza i jego sąsiedztwa? Jak wzajemnie na siebie oddziałują? Te interesujące pytania mogą być rozwiązane przy użyciu transkryptomiki przestrzennej, cyfrowego obrazowania guza lub danych spektrometrii masowej. (Metody: probabilistyczne modele graficzne, modele uczenia maszynowego).

- Rysowanie drzew genealogicznych nowotworów. Które mutacje nowotworowe pojawiają się jako pierwsze? Jak powstają przerzuty? W jaki sposób w nowotworach pojawia się oporność na leki? Czy ewolucja nowotworów jest neutralna, czy napędzana przez selekcję? Te i wiele innych pytań dotyczących historii rodzinnej komórek nowotworowych są dla nas bardzo ekscytujące! (Metody: probabilistyczne modele graficzne, modele matematyczne).

- Walka z rakiem jego własną bronią. Analizujemy zjawisko syntetycznej letalności pomiędzy genami nowotworowymi. Syntetyczną letalność możemy wykorzystać w leczeniu nowotworów. Gdy jeden z genów zostanie zmutowany, możemy wycelować w jego syntetyczną śmiertelność, aby zabić komórki nowotworowe. (Metody: testy statystyczne, metody analizy przeżycia).

- Głęboki patolog. Czy algorytmy głębokiego uczenia mogą usprawnić pracę patologów? Metody sztucznej inteligencji, takie jak konwolucyjne sieci neuronowe, mogą być trenowane na obrazach histologicznych nowotworów w celu rozpoznawania wielu typów tkanek. (Metody: modele głębokiego uczenia).

- Modelowanie skuteczności leków. Próbujemy zrozumieć i przewidzieć, jak leki działają na linie komórek nowotworowych. (Metody: modele statystyczne, algorytmy optymalizacyjne).

- Procesy mutacyjne w raku. Krajobraz mutacji w genomach rakowych jest wynikiem złożonych interakcji pomiędzy procesami uszkodzenia i naprawy DNA oraz innymi procesami biologicznymi. Procesy te można badać poprzez analizę charakterystycznych wzorców mutacji odciśniętych przez poszczególne mutageny. Analizujemy te wzorce, łączymy je z konkretnymi przyczynami, odnajdujemy i modelujemy interakcje nimi. (Metody: statystyczna analiza danych, metody probabilistyczne, uczenie maszynowe.)

Literatura:

Współczesna literatura z tej dziedziny, w tym czasopisma naukowe i dane z Internetu.

Efekty uczenia się:

Wiedza

1. Ma ogólna wiedzę o problemach bioinformatyki i biologii systemów (K_W08).

2. Ma podstawową wiedzę w zakresie podstawowych narzędzi matematycznych stosowanych w modelowaniu i analizie danych molekularnych (K_W09).

Umiejętności

1. Dostrzega ograniczenia własnej wiedzy i rozumie potrzebę jej ciągłego uzupełniania i aktualizowania (K_U07)

2. Potrafi przygotować prezentację i wygłosić referat opierając się na artykułach naukowych lub wynikach własnych badań (K_U08).

3. Potrafi czytać ze zrozumieniem teksty naukowe w języku angielskim (K_U09).

Kompetencje

1. Potrafi zarządzać swoim czasem oraz podejmować zobowiązania i dotrzymywać terminów (K_K08).

2. Jest gotów do przedstawiania wybranych osiągnięć bioinformatycznych i formułowania opinii na ich temat (K_K05, K_K06).

Metody i kryteria oceniania:

wygłoszenie referatu, na 4 roku zatwierdzenie pracy magisterskiej na 5 roku złożenie pracy magisterskiej

Zajęcia w cyklu "Rok akademicki 2023/24" (w trakcie)

Okres: 2023-10-01 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Seminarium magisterskie, 60 godzin więcej informacji
Koordynatorzy: Ewa Szczurek, Damian Wójtowicz
Prowadzący grup: Wanda Niemyska, Ewa Szczurek, Damian Wójtowicz
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.2.0-80474ed05 (2024-03-12)