- Tecniche di visualizzazione dei dati e interpretazione dei dati biologici
- Algoritmi di apprendimento automatico
- Modelli di regressione lineare e regressione logistica
- Metodi di apprendimento supervisionato e non supervisionato, clustering e classificazione
- Riduzione della dimensionalità, selezione delle feature e analisi dei big data nelle scienze biochimiche
- Utilizzo di archivi di dati
- Gestione e condivisione dei dati
Obiettivi Formativi
Conoscenze - Gli studenti acquisiranno una comprensione delle basi della manipolazione, dell'analisi e della visualizzazione dei dati e applicheranno algoritmi di apprendimento automatico per affrontare problemi complessi nelle scienze biochimiche.
Competenze - Gli studenti svilupperanno competenze pratiche nella gestione e nell'analisi dei dati, compreso l'uso di database e archivi di dati, nonché l'analisi dei big data.
Capacità - Gli studenti applicheranno le capacità di pensiero critico, di problem solving e di ragionamento scientifico per analizzare e interpretare i dati biologici e valutare l'accuratezza e l'affidabilità dei risultati di diversi approcci all'analisi di big data in biologia e chimica.
Metodi Didattici
Lezioni frontali; dimostrazioni; analisi di casi di studio.
Altre Informazioni
Il corso utilizza in parte materiali e risorse online: le diapositive delle lezioni e gli appunti per i casi di studio discussi sono disponibili su Moodle
Modalità di verifica apprendimento
L'esame prevede il superamento di una singola prova orale. La prova orale verte su domande relative ai temi trattati a lezione e l'uso degli strumenti informatici mostrati durante il corso.
Per sostenere la prova è richiesta l'iscrizione all'esame sul sito web della didattica abilitato alla verbalizzazione elettronica. La lista viene
chiusa due giorni prima della data di appello. In funzione del numero di persone che si sono registrate all'appello potrà essere predisposto un calendario di date possibili, comunicato all'inizio dell'esame.
Programma del corso
Panoramica delle tecniche comuni per la visualizzazione dei dati e l'interpretazione dei dati biologici. Applicazione di algoritmi di apprendimento automatico in biochimica e biologia molecolare. Modelli di regressione lineare e di regressione logistica con applicazioni alla predizione della struttura 3D di proteine. Apprendimento supervisionato e non supervisionato, clustering e classificazione di dati applicati all'annotazione funzionale e alle discipline omiche. Riduzione della dimensionalità e analisi dei big data in biochimica. Uso di database e archivi di dati come PDB e UniProt.
Applicazioni per la scoperta dei farmaci. Alcune considerazioni sulla gestione e la condivisione dei dati, comprese questioni etiche e di privacy.