Tantárgy » BMEVIMIA076
Számítógépes biológia
Computational Biology
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
| Tantárgy neve (magyarul, angolul) |
Számítógépes biológia
Computational Biology
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Tantárgykód | BMEVIMIA076 | ||||||||||||
| Tantárgyjelleg | — | ||||||||||||
| Képzési szint | — | ||||||||||||
| Kurzustípusok és óraszámok (heti/féléves) |
|
||||||||||||
| Tanulmányi teljesítmény/értékelés típusa | vizsga | ||||||||||||
| Tantárgy kreditértéke | 4 | ||||||||||||
| Tantárgyfelelős |
DR. Antal Péter
beosztás: egyetemi docens
elérhetőség:
antal.peter@vik.bme.hu
|
||||||||||||
| Tantárgyat gondozó oktatási szervezeti egység |
Mesterséges Intelligencia és Rendszertervezés Tanszék
|
||||||||||||
| Kar | Villamosmérnöki és Informatikai Kar | ||||||||||||
| Tantárgy weboldala | — | ||||||||||||
| Tantárgy elsődleges mintatantervi jellege | — | ||||||||||||
| Közvetlen előkövetelmények – Erős előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Gyenge előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Párhuzamos előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Mérföldkő előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Kizáró feltétel | nincs |
Célkitűzés
Tantárgyprogram
Part 1. Highlights in experimental biology and medicine – András Falus
1. Introduction of the systems biology concept, basics of molecular cell biology, genetics, genomics/proteomics/metabolomics and epigenetics, Evolution at various levels.
2. High-throughput technologies, PCR, SNP, CGH, expression arrays.
3. Omics databases, data-mining, systemic biology integration. Bioinformatics as integrating tool set
4. Physiological and pathological challenges for bioinformatics I. (cancer, infection, inflammation, allergy)
5. Physiological and pathological challenges for bioinformatics II. (arthritis, neurodegenerative syndromes, cardiovascular and metabolic diseases
6. Physiological and pathological challenges for bioinformatics III. (stem cell research, vaccination, drug development)
Part 2. Bioinformatics – Péter Antal
7. Biomedical data and knowledge
Gene expression measurement, genotyping, and sequencing technologies. Gene regulation, gene regulatory networks, biological pathways. Standards for high-throughput data. Medical data, clinical coding systems, clinical informatics. Ontologies for biological knowledge and data.
8. Decision theory
The Bayesian decision problem, Bayesian decision. Bayes error. Bayes factor. Utility theory, general loss functions, clinical utilities (micromort, the quality-adjusted life years). Quality of prediction, the Receiver Operating Characteristics, Area under the ROC Curve. Decision support systems. Sequential decisions, Markov decision process, and the optimal policy. Value of further information in medical diagnosis. Adaptive study design and the multi-armed bandit problem, active learning, budgeted learning in pharmacology.
9. Graphical models
The graphoid axioms. Markov networks. Bayesian networks: soundness, completeness, observational equivalence classes of directed acyclic graphs, stabile distributions. Causal interpretation with and without hidden variables. Biomedical criterion of causality, elimination of confounding. Structural equations. The calculus of interventions. Dynamic Bayesian networks. Decision networks
10 Computer intensive statistics
The bootstrap approach. Permutation tests. Monte Carlo methods with graphical models: DAG-MCMC, ordering-MCMC, reversible jump MCMC. Analysis of incomplete data with MCMC methods.
11 Gene expression data analysis
Image processing. Feature extraction. Normalization. Distance, variance, and topology preserving mapping. Clustering. Prediction. The conditional Bayesian approach. The feature subset selection problem. Biclustering. Module network learning. Gene prioritization. Gene annotation and gene set based analysis. Pathway analysis.
12 Genetic association studies
Linkage analysis, family-based association. Candidate gene and whole genome association. Study design: gene prioritization and adaptive study design. Image processing and feature extraction. Haplotype reconstruction methods. Univariate methods. Multivariate methods: logistic regression, Bayesian networks.
The first part of this course covers a variety of items raised by the contemporary biology and medicine. Topics in first 3 weeks will include: genetic and epigenetic code, organisation of the genome, hierarchic and non-hierarchic regulation of the life at cell, organ, organism and population level, genomics, proteomics, metabolomics, evolution, genealogy, omics databases, principles of systems biology, high-throughput molecular technologies and gene diagnostics. The next four weeks connect these basic aspects with quantitative, personalized and predictive approach of cancer, cardiovascular (e.g. hypertension and myocardial infarct), neurodegenerative (e.g. Alzheimer and multiple sclerosis) and metabolic diseases (e.g. diabetes and obesity), arthritis, asthma, AIDS, flu epidemics as well as vaccination, drug development and gene therapy. A separate chapter will cover the principles of stem (embryonic, tissue and induced pluripotent-) cell research.
This part of the course can serve as a preparation for a course on computational science in biomedicine, and to handle very large biological data sets.
The second part of the course introduces the statistical, algorithmic, knowledge representational, and information technological aspects of bioinformatics with particular emphases on medical genomics and personalized medicine. We discuss the characteristics of high-throughput data, the basics of Bayesian decision theory, the foundations of graphical models including Markov networks and Bayesian networks, modern conceptualization of causation, and corresponding intensive statistical methods. We overview multiple methods of gene expression data analysis including dimensionality reduction techniques, clustering, biclustering, Markov network learning, subgraph learning, module network learning, and gene prioritization. Finally we discuss methods in statistical genetics including linkage analysis, candidate gene and whole genome association, and the principles of adaptive study design.
Tanulmányi eredmények
Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:
Tudás
Nincsenek rögzített tanulási eredmények.
Képességek
Nincsenek rögzített tanulási eredmények.
Attitűd
Nincsenek rögzített tanulási eredmények.
Autonómia és felelősség
Nincsenek rögzített tanulási eredmények.
Oktatási módszertan
3 lectures and 1 exercise.
Tanulástámogató anyagok
Nincs megadva.
A tantárgy teljesítéséhez ajánlott előzetes ismeretek
Tudás típusú kompetenciák
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Képesség típusú kompetenciák
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
nincs
Általános szabályok
Nincs megadva általános szabály.
Teljesítményértékelési módszerek
Szorgalmi időszakban végzett teljesítményértékelések részletes leírása
Nincs megadva részletes értékelés.
Szorgalmi időszakban végzett teljesítményértékelések részaránya
Nincs megadva részarány.
Vizsgaidőszakban végzett teljesítményértékelések részletes leírása
Nincs megadva részletes értékelés.
Vizsgarészek részaránya
Nincs megadva részarány.
Érdemjegy megállapítása
Nincs megadva érdemjegy határ.
Jelenléti és részvételi követelmények
Nincs megadva jelenléti követelmény.
Javítás, ismétlés és pótlás különös szabályai
Nincs megadva.
Rövid leírás
Nincs megadva.
Részletes leírás
Nincs megadva.
Ajánlott tantárgyak
Nincs megadva.
A tantárgy elvégzéséhez szükséges tanulmányi munka
Nincs megadva munkaidő bontás.
Tantárgykövetelmények hatályossága
Tantárgykövetelmények hatályosságának kezdete:
—
Tantárgykövetelmények hatályosságának vége:
—
Tantervi elhelyezés
Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.