MM552: Beregningsmæssig biologi

Studerende, der følger kurset, forventes at:

• Have grundlæggende viden i sandsynlighedsregning
• Have grundlæggende viden i algoritmik
• Have færdigheder i programmering

• kompetence til at planlægge og udføre grundlæggende bioinformatiske opgaver
• viden om typisk supervised og unsupervised data mining metoder
• anvendelse af typisk netværk enrichment og NGS sekventering data analysemetoder
• udvikling af nye omik data mining platforme og software

• forklare og forstå det centrale dogma i molekulær biologi, centrale aspekter af genregulering, basisprincipper af epigenetisk DNA-ændringer og specialiteter m.h.t. bakterie & phage genetik
• modellere ontologier for biomedicinske dataafhængigheder
• designe databaser til systems biologi
• forklare og implementere metoder til analyse af DNA & aminosyre sekvenser (HMMs, scoringmatricer og efficient statistik med disse på datastrukturer som for eksempel suffix arrays)
• forklare og implementere statistiske læringsmetoder på biologiske netværk (network enrichment, GraphLets)
• forklare specialiteter af bakteriel genetik (operonforudsigelsestrick)
• forklare og implementere metoder for suffixtræer, suffixarrays og Burrows-Wheeler-transformationen
• forklare de novo sekvensmønster screening med EM algoritmen og entropimodeller.
• forklare og implementere grundlæggende metoder til supervised og unsupervised data mining, samt deres anvendelse på biomedicinske omik datasæt

• det centrale dogme i molekulær genetik, epigenetik og bakteriel og phage genetik
• design og konstruktion af databaser for molekulærbiologiske data (ontologies, eksempler på databaser: NCBI, CoryneRegNet, ONDEX)
• analyse af DNA og aminosyre sekvens mønster model (HMMS, scoringsmatricer, blandede modeller, efficient statistik med dem på store datasæt)
• specialiteter i bakteriel genetik (sekvens modeller og funktionelle modeller for operonforudsigelse)
• de novo identifikation af transkriptionsfaktorbindingsmotifer (rekursiv forventingsmaksimering, entropi-baserede modeller)
• analyse af næste generations DNA sekvens datamængder (memory-aware short sequence read mapping data ved hjælp af Burrows Wheeler transformationen og suffix arrays, bi-modal peak calling)
• visualisering af biologiske netværk (graflayout: små men stærk variable grafer vs. store men mere statiske grafer)
• systems biologi og statistik på netværk (network enrichment with CUSP
• jActiveModules og KeyPathwayMiner, Graphlet degree signatures)
• grundlæggende supervised og unsupervised metoder klassificeringskriterierne for omics dataanalyse

• Introfase (forelæsning) - Antal timer:41
• Træningsfase: Antal timer: 45

Aktiviteter i studiefasen: De studerende arbejder alene eller i studiegruppe med grundlæggende begreber  og opgaver fra kursets pensum.