Zastosowanie algorytmów i technik nauk o danych w bioinformatyce

(tylko po angielsku) Google account to access Google Drive and Colab.

Godziny realizowane z udziałem nauczycieli (40h):

- wykład: 20h

- laboratorium: 20h

Czas poświęcony na pracę indywidualną studenta (60h):

- przygotowanie do wykładu: 20h

- przygotowanie do laboratorium: 30h

- przygotowanie do egzaminu: 10h

Łącznie: 100h (4 ECTS)

Efekty uczenia się – wiedza:

W1 – posiada ogólną wiedzę w zakresie języków programowania i inżynierii programowania (informatyka_stosowana: K_W06, fizyka techniczna: K_W04)

W2 - ma wiedzę na temat projektowania i programowania w językach i platformach używanych szeroko w naukach o danych

Efekty uczenia się – umiejętności:

U1 - potrafi wykorzystać nabytą wiedzę matematyczną w algorytmach i ich zastosowaniach (informatyka stosowana: K_U01 fizyka techniczna: K_U01)

U2 - potrafi pozyskiwać informacje z literatury (informatyka stosowana: K_U02, fizyka techniczna: K_U04)

U3- potrafi planować i przeprowadzać proste eksperymenty (informatyka stosowana: K_U06)

U4 - ma umiejętność formułowania algorytmów i ich programowania przy użyciu języków Python oraz R

Efekty uczenia się - kompetencje społeczne:

K1 - ma świadomość skutków wadliwie działających systemów informatycznych i przewidująych w zastosowaniach klinicznych, (informatyka stosowana: K_K01)

K2 - potrafi krytycznie ocenić posiadaną wiedzę i zna jej ograniczenia

Metody dydaktyczne:

- wykład informacyjny

- demonstracje i symulacje

Metody dydaktyczne podające:

- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące:

- ćwiczeniowa

- pokaz

- wykład informacyjny (konwencjonalny)

- ćwiczeniowa

Wykład przeznaczony dla studentów studiów magisterskich i doktoranckich, oraz studentów 3-go roku studiów inżynierskich. Wykład obejmie struktury danych i algorytmy stosowane w bioinformatyce, a także zastosowania technik uczenia statystycznego i maszynowego w analizie danych biomedycznych, włączając zastosowania w genomice i medycynie precyzyjnej. Wykład prowadzony będzie w maju w dniach 13 – 17.V.2024, w trybie przyspieszonym (warsztatowym) i obejmie elementy programowania w środowiskach R/R Studio oraz Python/Colab, używanych szeroko w naukach o danych.

- Techniki sekwencjonowania DNA a mapowanie fragmentów DNA (DNA reads) z użyciem drzew oraz macierzy końcówek (suffix trees and suffix arrays), Burrows-Wheeler Transform; Bowtie, Python/Colab

- Kwantyfikacja ekspresji genów z użyciem mapowania k-merów oraz algorytmów typu EM (expectation maximization); Kallisto, Python/Colab

- Porównywanie sekwencji DNA i białek z użyciem algorytmów programowania dynamicznego (dynamic programming); BLAST, Ensembl

- Analiza ekspresji genów z użyciem metod uczenia bez nadzoru (unsupervised learning); identifikacja molekularnych podtypów nowotworów; cBioPortal, R/R Studio

- Przewidywanie podtypów nowotoworów i innych stanów chorobowych z użyciem metod uczenia z nadzorem (supervised learning); Logistic regression, RF, NN, R/R Studio

Metody oceniania:

5 mini-projektów w oparciu o wzorce kodu w R/R Studio bądź Python/Colab: 50%

egzamin pisemny: 50%

Kryteria oceniania:

60% punktów ocena 3

75% punktów ocena 4

90% punktów i więcej ocena 5