Analiza danych biomedycznych
Informacje ogólne
Kod przedmiotu: | 1000-5D22ADB |
Kod Erasmus / ISCED: |
11.1
|
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
|
Język prowadzenia: | angielski |
Rodzaj przedmiotu: | seminaria magisterskie |
Skrócony opis: |
Tematyka seminarium obejmuje działy biologii obliczeniowej oraz uczenia maszynowego znajdujące zastosowanie w analizie danych biomedycznych. Interesuje nas zarówno problematyka chorób człowieka takich jak nowotwory czy choroby zakaźne i neurodegeneracyjne, jak też ogólniejsze mechanizmy genomiki regulatorowej. 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 tabelarycznych i 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.) - Odtwarzanie 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.) - 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.) - Przewidywanie aktywności sekwencji regulatorowych. Pomimo ogromu dostępnych danych eksperymentalnych o genomowych obszarach regulatorowych, takich jak enhancery i promotory, przewidzenie efektu spowodowanego choćby niewielką mutacją stanowi wyzwanie. Aby lepiej zrozumieć zasady działania obszarów regulatorowych, opracowujemy konwolucyjne sieci neuronowe do przewidywania aktywności dowolnej sekwencji DNA w różnych typach komórek. (Metody: statystyczna analiza danych, uczenie maszynowe.) - Odtwarzanie sieci regulacji genów. Wzajemne oddziaływania między chromatyną, czynnikami transkrypcyjnymi i genami tworzą złożoną sieć interakcji, którą można odtwarzać przy użyciu danych z sekwencjonowania pojedynczych komórek. (Metody: statystyczna analiza danych, metody probabilistyczne.) |
Literatura: |
Współczesna literatura z tej dziedziny, w tym publikacje w czasopismach naukowych i preprinty. |
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: |
I rok: obecność na zajęciach, wygłoszenie dwóch referatów, zatwierdzenie tematu pracy magisterskiej. II rok: obecność na zajęciach, wygłoszenie dwóch referatów, złożenie pracy magisterskiej. |
Zajęcia w cyklu "Rok akademicki 2023/24" (zakończony)
Okres: | 2023-10-01 - 2024-06-16 |
Przejdź do planu
PN WT ŚR CZ SEM-MGR
PT |
Typ zajęć: |
Seminarium magisterskie, 60 godzin
|
|
Koordynatorzy: | Ewa Szczurek, Damian Wójtowicz | |
Prowadzący grup: | Wanda Niemyska, Ewa Szczurek, Damian Wójtowicz | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Zaliczenie |
Zajęcia w cyklu "Rok akademicki 2024/25" (w trakcie)
Okres: | 2024-10-01 - 2025-06-08 |
Przejdź do planu
PN WT ŚR CZ SEM-MGR
PT |
Typ zajęć: |
Seminarium magisterskie, 60 godzin
|
|
Koordynatorzy: | Aleksander Jankowski, Damian Wójtowicz | |
Prowadzący grup: | Aleksander Jankowski, Damian Wójtowicz | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Zaliczenie | |
Uwagi: |
W semestrze zimowym 2024/25 seminarium będzie miało formę wyjazdu w dniach 29 listopada – 1 grudnia 2024 r. |
Właścicielem praw autorskich jest Uniwersytet Warszawski.