| Šifra: |
2208 |
| Naziv Predmeta: |
Računalne i napredne statističke metode u bioznanostima |
| Studijski program: |
Molekularne bioznanosti |
| Modul: |
Bioinformatika |
| Nositelj predmeta: |
Doc.dr.sc. Ivana Škrlec
|
| Ustanova nositelja predmeta: |
Sveučilište J. J. Strossmayera u Osijeku, Odjel za matematiku
|
| Suradnici – izvoditelji: |
Doc.dr.sc. Olga Jovanović Glavaš
|
| Status predmeta: |
Izborni kolegij |
| Godina u kojoj se predmet predaje: |
I. godina |
| Semestar u kojem se predmet predaje: |
II. semestar |
| Cilj predmeta: |
Upoznati studente sa suvremenim računalnim i statistički metodama u bioznanostima te njihovom primjenom za rješavanje konkretnih problema
|
| Sadržaj predmeta: |
1. Motivacijski problemi u molekularnim bioznanostima
2. Statističke metode
a. Medline/PubMED baze podataka: dohvat i deskriptivna statistika
b. Regresijski modeli:
i. Jednostavni model logističke regresije
ii. Složeni model logističke regresije
iii. Primjer: Utjecaj TGF-b1 genetskog polimorfizma na disfunkciju bubrega nakon transplantacije jetre kod djece
3. Problem odabira svojstava (eng. Feature selection problem)
a. Odabira svojstava pomoću statističkih testova
b. Metode odabira podskupova svojstava (eng. Feature Subset selection)
i. Sekvencijalni odabir unazad (eng. Sequential Backward Selection)
ii. Sekvencijalni odabir unaprijed (eng. Sequential Forward Selection)
c. Metode kombinatorne optimizacije: k-Feature Set problem
d. Primjer: Detekcija markera za rak prostate (podaci: Kent Ridge Biomedical Data Set Repository, NCBI Data Set Record)
4. Računalne metode
a. Modeliranje grafovima u genetici
b. DNA sekvenciranje
c. Problem najkraćeg superniza
d. Metode sekvencijra hibridizacijom: problem Hamiltonovog i Eulerovog puta
e. Sekvenciranje proteina i peptida
f. Identifikacija proteina pretragom baze podataka
g. Primjer: Rad na bazama podataka: GenBank, RefSeq, TPA, SwissProt, PIR, PRF i PDB
|
| Ishodi učenja: kompetencije, znanje, vještine koje predmet razvija: |
1. Koristiti statističke i računalne metode u bioznanostima.
2. Odabrati adekvatna računalna rješenja za dohvat i analizu podataka u bioznanostima.
3. Interpretirati rezultate analize podataka.
4. Riješiti konkretne znanstvene probleme u bioznanostima primjenom statističkih i računalnih metoda.
|
| ECTS bodovi |
6 |
| Predavanja |
20 |
| Seminari (IS) |
5 |
| Vježbe (E) |
5 |
| Ukupno |
30 |
| Način izvođenja nastave i usvajanja znanja: |
• Redovito praćenje nastave
• Sudjelovanje u nastavi
• Izrada seminarskog rada
|
| Način izvođenja nastave i usvajanja znanja: (napomene) |
|
| Praćenje i ocjenjivanje studenata (označiti masnim tiskom samo relevantne kategorije) |
Pohađanje nastave, Obvezan seminarski rad |
| Način ocjenjivanja: |
Esej/Seminar, Kontinuirana provjera znanja u tijeku nastave |
| Obvezna literatura: |
1. Sergios Theodoridis: Pattern Recognition, Fourth Edition. Academic Press, 2008.
2. Walter T. Ambrosius: Topics in Biostatistics (Methods in Molecular Biology), Humana Press, 2007.
3. Neil C. Jones & Pavel A. Pevzner: An Introduction to Bioinformatics Algorithms, MIT Press, 2004.
|
| Dopunska (preporučena) literatura: |
1. Arthur M. Lesk: Introduction to Bioinformatics, Oxford University Press, 2005.
2. Jonathan Pevsner: Bioinformatics and Functional Genomics (second edition), Wiley – Blackwell, 2009.
3. Oleg Okun: Feature Selection and Ensemble Methods for Bioinformatics: Algorithmic Classification and Implementations, IGI Global, 2011.
4. Peter Flach: Machine Learning: The Art and Science of Algorithms That Make Sense of Dana, Cambridge University Press, 2012.
5. Christopher M. Bishop: Pattern Recognition and Machine Learning, Springer, 2006.
|
| Način praćenja kvalitete i uspješnosti izvedbe (evaluacija): |
Uspješnost kolegija će evaluirati svake godine zajedničko stručno povjerenstvo Instituta Ruđer Bošković, Sveučilišta u Dubrovniku i Sveučilišta Josipa Jurja Strossmayera u Osijeku na temelju uspjeha na ispitu i anketa.
|
