Algoritmer i bioinformatik
Overordnede kursusmål
At give de studerende et overblik og en dybdegående forståelse af bioinformatiske machine-learning algoritmer. Gøre den studerende i stand til at evaluere hvilke algoritmer, der er bedst egnede til at besvare et givent biologisk spørgsmål, og dernæst udvikle og implementere forudsigelsesværktøjer med sådanne algoritmer til at beskrive komplekse biologiske problemer relateret til f.eks. immunsystemet, vaccineudvikling, genkendelse af sygdomsgener, proteinstruktur og -funktion, post-translational modifications.
See course description in English
Læringsmål
- Forstå detaljerne i de mest brugte algoritmer i bioinformatik.
- Udvikle computerprogrammer, der implementerer disse algoritmer.
- Vælge den algoritme, der er bedst egnet til at beskrive et givent biologisk problem.
- Forstå konceptet data redundance og homology reduktion.
- Udvikle bioinformatiske forudsigelsesalgoritmer, der kan beskrive et givent biologisk problem.
- Være i stand til at implementere og udvikle forudsigelsesværktøjer ved at bruge følgende algoritmer: Dynamisk programmering, Sekvens-klyngedannelse, Vægtmatricer, Kunstige neurale netværk og Skjulte Markov modeller.
- Designe et projekt hvor et biologisk problem er analyseret ved brug af en eller flere machine-learning algoritmer.
- Implementere, dokumentere og præsentere et kursusprojekt.
Kursusindhold
Kurset dækker de mest brugte algoritmer i bioinformatik. Vægten vil blive lagt på den præcise matematiske implementering af algoritmerne i form af computerprogrammer. I løbet af kurset vil forskellige biologiske problemer blive introduceret og analyseret med det formål at belyse styrker og svagheder ved de forskellige algoritmer. Følgende emner bliver dækket i kurset:
Dynamisk programmering: Needleman-Wunsch, Smith-Waterman, og alignment heuristics
Dataredundans og homologi-reduktion: Hobohm og andre klyngealgoritmer
Vægtmatricer: Sequence weighting, pseudo count correction for low counts, Gibbs sampling, og Psi-Blast
Skjulte Markov Modeller: Model construction, Viterbi decoding, posterior decoding, og Baum-Welsh HMM learning
Kunstige neurale netværk: Architectures and sequence encoding, feed-forward algorithm, back propagation, and deep neural networks
Kurset består af forelæsninger, diskussioner, computerøvelser hvor de studerende bliver introduceret til de forskellige algoritmer, deres implementation, og brug i analysen af biologiske problemer. Kurset afsluttes med et gruppeprojekt hvor en eller flere af algoritmerne introduceret på kurset anvendes til at analysere et biologisk problem. Projektet skal dokumenteres med en rapport skrevet som en videnskabelig artikel.
Undervisningsform
Forelæsninger, diskussioner, øvelser og projekt.
Fakultet
Pladsbegrænsning
Minimum 10, Maksimum: 50.
Vær opmærksom på, at dette enkeltfagskursus har et minimumskrav til antal deltagere. Derudover er der begrænsning på antallet af studiepladser. Er der for få tilmeldinger oprettes kurset ikke. Er der for mange tilmeldinger, vil der blive trukket lod om pladserne. Du får besked om, om du har fået tildelt en studieplads senest 8 dage før kursusstart.