Системная биология и биоинформатика

Магистратура 2022/2023

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный (Биоэкономика)

Направление: 19.04.01. Биотехнология

Кто читает: Базовая кафедра Института биоорганической химии им. академиков М.М. Шемякина и Ю.А. Овчинникова РАН

Где читается: Факультет биологии и биотехнологии

Когда читается: 1-й курс, 3, 4 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 28

Охват аудитории: для своего кампуса

Преподаватели: Галатенко Алексей Владимирович, Новосад Виктор Олегович

Прогр. обучения: Биоэкономика

Язык: русский

Кредиты: 6

Контактные часы: 48

Полная версия программы учебной дисциплины

Аннотация

Биоинформатика — современное направление на стыке множества наук, в рамках которого биологические процессы и явления исследуются методами прикладной математики, статистики и информатики. Широкому развитию данной науки во многом поспособствовало появление биологических экспериментов, ручная обработка результатов которых не представляется возможной в виду огромного объема получаемых данных. В рамках первой части курса слушатели узнают о задаче выравнивания нуклеотидных и аминокислотных последовательностей и методах ее решения. Алгоритмы из данной области являются мощным инструментом как для эволюционной биологии и филогенетики, так и для решения частых технических задач (например, подбор праймеров для ПЦР). Во второй части курса слушатели узнают о способах обработки данных секвенирования нового поколения, на сегодняшний день являющегося одним из самых широко используемых методов. Будут разобраны идеи алгоритмов сборки геномов и картирования прочтений, а особое внимание будет уделено данным секвенирования РНК. Следующая тема курса будет посвящена алгоритмам машинного обучения и их применению в биомедицине (с акцентом на данные транскриптомного анализа).

Цель освоения дисциплины

Обучить слушателей работать с нуклеотидными и аминокислотными последовательностями: работать с основными биологическими банками данных, проводить глобальное, локальное (парное) и множественное выравнивания (самостоятельно и с использованием биоинформатических программ), производить оценку сложности алгоритмов. Обучить слушателей алгоритмам и методам сборки генома и картирования прочтений, полученных методами секвенирования нового поколения. Обучить навыкам обработки данных секвенирования РНК (от исходных данных до нормализованной матрицы экспрессии). Обучить слушателей базовой работе с дискретными и непрерывными случайными величинами и основными инструментами математической статистики (восстановление неизвестных параметров, проверка гипотез). Научить слушателей находить дифференциально экспрессированные гены после секвенирования РНК, проводить аннотацию и интерпретацию результатов, строить сети ко-экспрессии генов, визуализировать многомерные наборы данных. Обучить слушателей знаниям и навыкам построения моделей машинного обучения, включая модели классификации, регрессии и кластеризации. Особое внимание уделяется специфике работы с массивами биологических данных (экспрессии РНК, нуклеотидные и аминокислотные последовательности).

Планируемые результаты обучения

Выравнивание последовательностей В рамках данной темы излагается постановка задачи о выравнивании последовательностей и ее различные вариации (парное, множественное, глобальное, локальное), классические алгоритмы Нидлмана-Вунша и Смита-Ватермана, примеры эвристических оптимизаций (BLAST). Особое внимание уделяется вопросам сложности алгоритмов.
Анализ данных секвенирования нового поколения Рассматриваются различные процедуры по сборке и обработке данных секвенирования нового поколения: сборка геномов de novo, алгоритмы картирования прочтений на референсный геном, обработка данных секвенирования РНК, включая методы оценки экспрессии генов и различные техники нормализации.
Основы теории вероятностей и математической статистики Излагаются начальные сведения из теории вероятностей (дискретные и непрерывные случайные величины, их распределения, моменты) и математической статистики (выборки, оценки параметров теоретического распределения, выборочные моменты, проверка гипотез).
Интерпретация данных секвенирования РНК Будут изложены постановка задачи о поиске дифференциально экспрессированных транскриптов и техники ее решения, анализ обогащения набора генов по функциональной принадлежности, корреляционный анализ и графовые методы, методы понижения размерности матрицы экспрессии транскриптов.
Задачи машинного обучения с учителем Излагаются основные подходы и методы решения задачи классификации (метрические классификаторы, линейные классификаторы, деревья принятия решений и их ансамбли) и регрессии (метод наименьших квадратов, различные методики регуляризации). Примеры приложений к биомедицине: построение диагностических и прогностических моделей по данным секвенирования РНК.
Задачи машинного обучения без учителя Данная тема посвящена задаче кластеризации. Будут рассмотрены методы иерархической кластеризации и разделения смесей распределений. Отдельное внимание уделяется использованию иерархической кластеризации в задачах филогенетического анализа.

Содержание учебной дисциплины

Содержание учебной дисциплины

Элементы контроля

Бонусные задачи
Домашние задания
Курс по языку Python
Доклад по результатам самостоятельной работы
Экзамен

Промежуточная аттестация

2022/2023 учебный год 3 модуль
Элементы контроля 3 модуля учитываются в промежуточной аттестации 4 модуля
2022/2023 учебный год 4 модуль
rnd (min (0.2 * Бонусные задачи + 0.4 * Домашние задания + 0.4 * Курс по Python + 0.3 * Доклад по результатам самостоятельной работы + 0.4 * Экзамен, 10)), где rnd — функция округления, min — функция минимума.

Программа дисциплины