Modelowanie złożonych systemów biologicznych

obowiązkowe

Modele i wnioskowanie w obliczeniowej biologii molekularnej, ze szczególnym uwzględnieniem wykorzystania statystyki i metod uczenia maszynowego do zrozumienia złożonych systemów.

Badamy współczesne wyzwania w modelowaniu i rozumieniu złożonych systemów biologicznych za pomocą danych. Wysokowydajne pomiary molekularne wymusiły rozwój i zastosowanie statystyki i uczenia maszynowego, co dało początek biologii obliczeniowej. Technologie mikromacierzy i sekwencjonowania pozwalają nam określić ilościowo, w jaki sposób złożone systemy reagują na warunki doświadczalne i zewnętrzne oraz jak na nie wpływają. Takie pomiary pozwalają lepiej zrozumieć podstawowe zasady organizacji i funkcjonalność cząsteczek i komórek. Ostatnio nastąpił interesujący postęp w analizach pojedynczych komórek, genomice przestrzennej, obrazowaniu itp. obejmujący wyższe rozdzielczości, skale i złożoność.

Na tym kursie zajmiemy się eksploracyjną analizą danych, uczeniem się statystycznym i sieciami neuronowymi, które są specjalnie zaprojektowane do takich badań biologicznych. Warunkiem wstępnym jest dobra znajomość statystyki i programowania. Studenci będą programować w językach R i Python, co tydzień czytać podstawową literaturę i wykonywać projekty analizy danych.

An Introduction to Statistical Learning with Applications in R

by Gareth James, Daniela Witten, Trevor Hastie and Rob Tibshirani

The Elements of Statistical Learning: Data Mining, Inference, and Prediction.

by Trevor Hastie, Robert Tibshirani, Jerome Friedman

Deep Learning with Python

by Francois Chollet

Studenci zostaną poproszeni o przeczytanie wybranych oryginalnych prac badawczych i przeglądowych.

potrafi modelować złożone systemy na poziomie sieci, komórki, organizmu i meta genomów (K_U09)

Udział w zajęciach, prace domowe, raport z projektu, prezentacja.

4EU+KURSY