BMB547: Molekylær Data Science

Studerende, der følger kurset, forventes at:

• Have kendskab til matematik på A-niveau fra gymnasiet

Formålet med dette kursus er at give en introduktion til de nødvendige matematiske og datavidenskabelige metoder og værktøjer, der er nødvendige for at analysere diverse probelmstillinger indenfor life sciences. Der vil blive lagt vægt på anvendelse og udførelse af de metoder, der bliver introduceret i kurset, samt fokuseret på at skabe en forståelse for betydningen af disse anvendelser i molekylærbiologien og beslægtede områder. Kurset vil introducere den studerende til anvendelser af datavidenskab / matematik, som de studerende i BMB og biomedicin vil bruge i senere kurser i løbet af deres studier.

Undervisningen i kurset vil i høj grad være problem/case baseret, f.eks. baseret på resultater fra relevante publicerede artikler. Dette vil sikre, at emnerne introduceres inden for de relevante rammer indenfor molekylærbiologi/medicin. Desuden vil kurset, når det er muligt, tage relevante eksempler fra andre igangværende kurser.

I forhold til uddannelsens kompetenceprofil har kurset eksplicit fokus på at:

• viden om teori og eksperimentelle metoder inden for de biokemiske og molekylær biologiske fagområder
• viden om den videnskabelige terminologi, der anvendes inden for de biokemiske og molekylærbiologiske fagområder
• viden om betydningen af biologiske databaser i moderne molekylær biologi
• at kunne forstå at tilgangen til fagets centrale emner og metoder er uafhængig af nationale grænser
• anvende en eller flere biokemiske og molekylærbiologiske teorier og metoder
• undersøge konkrete biokemiske og molekylærbiologiske fænomener teoretisk og/eller eksperimentelt
• anvende bioinformatik i praksis

• Viden og færdigheder i anvendelser af grundlæggende matematiske funktioner, der er relevante for biovidenskab.
• Forståelse af og praktiske færdigheder i anvendelsen af grundlæggende statistik på relevante datasæt.
• Grundlæggende færdigheder i at analysere og visualisere relevante datasæt fra virkelige eksperimentelle data.
• Forståelse for og praktisk anvendelse af calculus og differentialligninger, til at modellere molekylærbiologi relaterede eksempler.
• Færdigheder i lineær algebra til understøttelse af grundlæggende programmerings færdigheder, numerisk modellering og eksempler fra system biologi
• Erhverve teoretisk baggrund i harmoniske funktioner og Fourier tranformationer til at forstå de grundlæggende begreber Fourier transform massespektrometri
• Lære grundlæggende programmerings færdigheder for at kunne manipulere, analysere og visualisere data fra forskellige molekylærbiologi relaterede eksempler
• Være i stand til at udføre simple beregningsmæssige biologi relaterede data science projekter.

• Poiseuilles lov: Blodgennemstrømning
• Enzym kinetik
• Kemiske reaktioner
• Tumorvækst (kræftbehandling)
• Bakterievækst
• Interaktion mellem kræft og immunsystemet
• Sygdomsspredning
• modellering af biologiske systemer/netværk
• DNA/RNA/proteinsekvensanalyse
• Billedanalyse
• Ion trap analyzer (Fourier-transformation)
• DNA/RNA/proteinsekvensanalyse.
• Billedanalyse
• Systembiologi

Studerende, der deltager i kurset, får følgende kompetencer:

Matematik / Statistik

• Beregninger og analyse af matematiske funktioner, der er relevante for biovidenskab.
• Sandsynlighed
• Statistik (beskrivende statistik, elementer af sandsynlighed, hypotese test, ikke-parametriske metoder, korrelationsanalyse, og lineær regression. Der vil blive lagt vægt på, hvordan man vælger passende statistiske test, og hvordan man vurderer statistisk signifikans.)
• Lineær algebra: lineære ligninger, eigenvalue problemer, lineære differentialligninger, principal component analysis,
• Matematisk biologi (modellering)
• Diskret matematik (kombinationer, grafer og logiske udsagn)
• Harmoniske funktioner, Fourier transformation
• Differentialligninger
• Calculus
• Numeriske metoder

Datalogi

• Grundlæggende programmering (sandsynligvis R)
• Datastrukturer
• Oprette grundlæggende visualiseringer af data
• Anvende mindste kvadraters metode til  lineære regressioner
• Vurdere R-kvadreret for alle typer modeller
• Vurdere den justerede R-kvadreret for alle typer modeller
• Opret en simpel lineær regression (SLR)
• Opret en multiplum lineær regression (MLR)
• Fortolke koefficienter for en MLR
• Udføre alle trin i et data science-projekt
• Analyse af store datasæt ved hjælp af lineære ligninger, eigenvalue problemer, lineære differentialligninger, principle component analysis.
• Introduktion til data mining

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Introfasen består af forelæsninger, der giver en introduktion til kurset og kursusmaterialet. Studerende forventes selvstændigt at læse pensum (lærebogen) for at opnå de forventede kompetencer og nødvendige overblik.

Færdighedstræningsfasen behandler de centrale dele af kurset ved hjælp af teoretiske og computerbaserede øvelser. Eksaminatorierne er baseret på forudgående selvstændigt arbejde eller, hvis det ønskes, selvorganiseret gruppearbejde.

Træningsfasen omfatter også computerbaserede laboratorieøvelser, hvor de studerende arbejder sammen i grupper. Studiefasen er dels forberedelse til introforelæsninger, eksaminatorier og laboratorieøvelser samt udarbejdelse af laboratorierapporter og eksamensforberedelse.

• Introfase 32 timer
• Træningsfase: 72 timer, heraf: Eksaminatorie: 40 timer og laboratorieøvelser: 32 timer