Biotecnologie mediche

Tipologia

Attività formative affini o integrative

SSD

MED/46

Anno

N/D

Semestre

N/D

CFU

3

Distribuzione delle ore

24 classroom hours

Docenti

DOMENICO RAIMONDO

Tipologia

Attività formative affini o integrative

SSD

ING-IND/06

Anno

N/D

Semestre

N/D

CFU

3

Distribuzione delle ore

24 classroom hours

Docenti

ALBERTO GIACOMELLO

Tipologia

Discipline biotecnologiche comuni

SSD

BIO/10

Anno

N/D

Semestre

N/D

CFU

1

Distribuzione delle ore

8 classroom hours

Docenti

ALLEGRA VIA

Tipologia

Discipline biotecnologiche comuni

SSD

MED/04

Anno

N/D

Semestre

N/D

CFU

2

Distribuzione delle ore

16 classroom hours

Docenti

TERESA COLOMBO

Il corso si propone di fornire agli studenti conoscenze teoriche e pratiche relative all’applicazione di metodologie computazionali allo studio di sistemi biologici complessi,
con particolare riferimento all’analisi di big data omici, all’utilizzo di strumenti bioinformatici e all'impiego di tecniche di dinamica molecolare e machine learning.

Modulo 1 – Big Data e Scienze Omiche
Conoscenza e comprensione
Conoscere i comandi fondamentali della shell Unix/Linux per la gestione del filesystem.
Acquisire familiarità con i concetti base della genomica e trascrittomica e le principali tecnologie di sequenziamento (prima, seconda e terza generazione).
Comprendere l’organizzazione e il contenuto delle principali banche dati biologiche.
Capacità di applicare conoscenza e comprensione
Utilizzare comandi shell per manipolare file, cartelle, flussi di dati e filtri (es. grep) in ambienti di big data.
Applicare strumenti bioinformatici per analisi di espressione genica, annotazioni funzionali e visualizzazione genomica (es. UCSC Genome Browser).
Sfruttare web tools per analisi differenziali ed enrichment funzionale.
Autonomia di giudizio
Valutare criticamente strumenti, metodi e risorse bioinformatiche utilizzate per l’analisi di dati omici.
Selezionare le strategie più appropriate per interrogare, integrare e analizzare grandi dataset biologici.
Abilità comunicative
Presentare e discutere in modo efficace i risultati di analisi bioinformatiche, utilizzando una terminologia scientifica corretta e strumenti digitali di comunicazione.
Capacità di apprendimento
Sviluppare un approccio autonomo e proattivo all'apprendimento continuo nell’ambito della bioinformatica e delle scienze omiche, con particolare attenzione all’aggiornamento delle risorse digitali e dei database.

Modulo 2 – Introduzione al Machine Learning per Big Data Biologici
Illustrare i concetti fondamentali del ML, con particolare attenzione alle principali tipologie di apprendimento (supervisionato, non supervisionato e reinforcement learning), e a nozioni chiave come feature, class label, selezione delle features, training, validazione e test di un modello.
Descrivere e discutere le fasi principali di un processo di ML, tra cui: il pre- processamento dei dati, la suddivisione in dataset di training e di test, l’addestramento e la valutazione del modello, nonché il miglioramento delle prestazioni attraverso la regolazione degli iperparametri.

Modulo 3 – Computational Biology and Molecular Dynamics
Conoscenza e comprensione
Acquisire conoscenze aggiornate sulle metodologie computazionali per l’analisi strutturale delle biomolecole, incluso il docking molecolare, la modellazione proteica e la dinamica molecolare.
Comprendere le relazioni tra struttura, dinamica e funzione delle proteine.
Capacità di applicare conoscenza e comprensione
Utilizzare strumenti per sessioni computazionali scientifiche e per l’analisi strutturale di proteine.
Modellare la struttura tridimensionale di proteine e simulare la dinamica molecolare di proteine solubili e di membrana, oltre a interazioni ligando/proteina.
Accedere a banche dati per completare, validare e analizzare modelli strutturali.
Interpretare criticamente i risultati delle simulazioni e stimarne la rilevanza biofisica.
Autonomia di giudizio
Valutare in modo indipendente la qualità dei dati computazionali e sperimentali.
Formulare giudizi informati sull’affidabilità di modelli biologici ottenuti da simulazioni o predizioni.
Abilità comunicative
Comunicare efficacemente metodi, risultati e conclusioni a interlocutori specialisti e non, anche in ambiti interdisciplinari.
Capacità di apprendimento
Condurre indagini computazionali autonome, anche in contesti di ricerca avanzata, mantenendo aggiornate le proprie competenze tecniche e scientifiche.

Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE I
N/D
Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE IV
Il corso si propone di fornire agli studenti conoscenze teoriche e pratiche relative all’applicazione di metodologie computazionali allo studio di sistemi biologici complessi, con particolare riferimento all’analisi di big data omici, all’utilizzo di strumenti bioinformatici e all'impiego di tecniche di dinamica molecolare e machine learning.

Modulo 3 – Computational Biology and Molecular Dynamics
Conoscenza e comprensione
• Acquisire conoscenze aggiornate sulle metodologie computazionali per l’analisi strutturale delle biomolecole, incluso il docking molecolare, la modellazione proteica e la dinamica molecolare.
• Comprendere le relazioni tra struttura, dinamica e funzione delle proteine.
Capacità di applicare conoscenza e comprensione
• Utilizzare strumenti per sessioni computazionali scientifiche e per l’analisi strutturale di proteine.
• Modellare la struttura tridimensionale di proteine e simulare la dinamica molecolare di proteine solubili e di membrana, oltre a interazioni ligando/proteina.
• Accedere a banche dati per completare, validare e analizzare modelli strutturali.
• Interpretare criticamente i risultati delle simulazioni e stimarne la rilevanza biofisica.
Autonomia di giudizio
• Valutare in modo indipendente la qualità dei dati computazionali e sperimentali.
• Formulare giudizi informati sull’affidabilità di modelli biologici ottenuti da simulazioni o predizioni.
Abilità comunicative
• Comunicare efficacemente metodi, risultati e conclusioni a interlocutori specialisti e non, anche in ambiti interdisciplinari.
Capacità di apprendimento
• Condurre indagini computazionali autonome, anche in contesti di ricerca avanzata, mantenendo aggiornate le proprie competenze tecniche e scientifiche.



Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE III
Modulo 2 – Introduzione al Machine Learning per Big Data Biologici
Per la fine del modulo, gli studenti saranno in grado di:
- Illustrare i concetti fondamentali del ML, con particolare attenzione alle principali tipologie di apprendimento (supervisionato, non supervisionato e reinforcement learning), e a nozioni chiave come feature, class label, selezione delle features, training, validazione e test di un modello.
- Descrivere e discutere le fasi principali di un processo di ML, tra cui: il pre-processamento dei dati, la suddivisione in dataset di training e di test, l’addestramento e la valutazione del modello, nonché il miglioramento delle prestazioni attraverso la regolazione degli iperparametri.


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE II
N/D

Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE I
N/D
Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE IV
Nessun prerequisito necessario


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE III
Un background biologico o biomedico. Conoscenza di una varietà di dati e domande biologiche.
Per il modulo di programmazione non è necessaria alcuna esperienza precedente. È richiesta la familiarità con almeno uno dei principali sistemi operativi (Linux, Mac OSX, Windows 10). Familiarità con la Google Suite non è un prerequisito, ma è consigliata.


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE II
N/D

Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE I
Il corso si propone di fornire agli studenti conoscenze teoriche e pratiche relative all’applicazione di metodologie computazionali allo studio di sistemi biologici complessi,
con particolare riferimento all’analisi di big data omici, all’utilizzo di strumenti bioinformatici e all'impiego di tecniche di dinamica molecolare e machine learning.

Modulo 1 – Big Data e Scienze Omiche
Conoscenza e comprensione
Conoscere i comandi fondamentali della shell Unix/Linux per la gestione del filesystem.
Acquisire familiarità con i concetti base della genomica e trascrittomica e le principali tecnologie di sequenziamento (prima, seconda e terza generazione).
Comprendere l’organizzazione e il contenuto delle principali banche dati biologiche.
Capacità di applicare conoscenza e comprensione
Utilizzare comandi shell per manipolare file, cartelle, flussi di dati e filtri (es. grep) in ambienti di big data.
Applicare strumenti bioinformatici per analisi di espressione genica, annotazioni funzionali e visualizzazione genomica (es. UCSC Genome Browser).
Sfruttare web tools per analisi differenziali ed enrichment funzionale.
Autonomia di giudizio
Valutare criticamente strumenti, metodi e risorse bioinformatiche utilizzate per l’analisi di dati omici.
Selezionare le strategie più appropriate per interrogare, integrare e analizzare grandi dataset biologici.
Abilità comunicative
Presentare e discutere in modo efficace i risultati di analisi bioinformatiche, utilizzando una terminologia scientifica corretta e strumenti digitali di comunicazione.
Capacità di apprendimento
Sviluppare un approccio autonomo e proattivo all'apprendimento continuo nell’ambito della bioinformatica e delle scienze omiche, con particolare attenzione all’aggiornamento delle risorse digitali e dei database.

Modulo 2 – Introduzione al Machine Learning per Big Data Biologici
Illustrare i concetti fondamentali del ML, con particolare attenzione alle principali tipologie di apprendimento (supervisionato, non supervisionato e reinforcement learning), e a nozioni chiave come feature, class label, selezione delle features, training, validazione e test di un modello.
Descrivere e discutere le fasi principali di un processo di ML, tra cui: il pre- processamento dei dati, la suddivisione in dataset di training e di test, l’addestramento e la valutazione del modello, nonché il miglioramento delle prestazioni attraverso la regolazione degli iperparametri.

Modulo 3 – Computational Biology and Molecular Dynamics
Conoscenza e comprensione
Acquisire conoscenze aggiornate sulle metodologie computazionali per l’analisi strutturale delle biomolecole, incluso il docking molecolare, la modellazione proteica e la dinamica molecolare.
Comprendere le relazioni tra struttura, dinamica e funzione delle proteine.
Capacità di applicare conoscenza e comprensione
Utilizzare strumenti per sessioni computazionali scientifiche e per l’analisi strutturale di proteine.
Modellare la struttura tridimensionale di proteine e simulare la dinamica molecolare di proteine solubili e di membrana, oltre a interazioni ligando/proteina.
Accedere a banche dati per completare, validare e analizzare modelli strutturali.
Interpretare criticamente i risultati delle simulazioni e stimarne la rilevanza biofisica.
Autonomia di giudizio
Valutare in modo indipendente la qualità dei dati computazionali e sperimentali.
Formulare giudizi informati sull’affidabilità di modelli biologici ottenuti da simulazioni o predizioni.
Abilità comunicative
Comunicare efficacemente metodi, risultati e conclusioni a interlocutori specialisti e non, anche in ambiti interdisciplinari.
Capacità di apprendimento
Condurre indagini computazionali autonome, anche in contesti di ricerca avanzata, mantenendo aggiornate le proprie competenze tecniche e scientifiche.



Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE IV
- Elementi di base delle simulazioni molecolari. Introduzione ad un motore di dinamica molecolare e a programmi di visualizzazione di molecole.
- Potenziali di interazione tra atomi. Preparazione e visualizzazione di una simulazione: proteine di membrana.
- Gli ensemble. Esercitazione sulla minimizzazione ed equilibrazione di una proteina di membrana
- Analisi delle simulazioni di dinamica molecolare. Analisi delle traiettorie, calcolo di osservabili rilevanti, medie e fluttuazioni.
- Dinamica molecolare di non equilibrio. Esercitazione sulla conduzione in un canale ionico
- Energia libera e variabili collettive. Esercitazione sul calcolo di energia libera tramite umbrella sampling: barriere di conduzione


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE III
Diversi tipi di apprendimento automatico.
Concetti chiave: apprendimento supervisionato e non supervisionato, problemi di classificazione, regressione e clustering, classi ed etichette, addestramento, validazione e test.
Costruire buoni dataset di addestramento - Preelaborazione dei dati
Dataset di addestramento e di test
KNN
Creazione di un modello
Convalida del modello (k-fold cross validation)
Regolazione degli iperparametri
Valutazione delle prestazioni


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE II
N/D

Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE I
materiali didattici (tra cui slide, esercitazioni, video, appunti, estratti di libri di testo, esempi, script) saranno forniti dalla docente prima e durante il corso.


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE IV
dispense a cura del docente


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE III
Sebastian Raschka - Introduction to Machine Learning
https://sebastianraschka.com/resources/ml-lectures-1/

Ulteriori materiali didattici (tra cui slide, esercitazioni, video, appunti, estratti di libri di testo, esempi, script) saranno forniti dalla docente prima e durante il corso.






Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE II
N/D

Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE I
N/D
Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE IV
Statistical Mechanics: Theory and Molecular Simulation, Tuckerman, M.E., Oxford Graduate Texts, 2023


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE III
N/D
Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE II
N/D

Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE I
N/D
Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE IV
Le lezioni alterneranno nozioni teoriche ed esercitazioni al computer


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE III
I risultati dell'apprendimento guideranno la progettazione delle esperienze di apprendimento). Per il raggiungimento di ogni risultato di apprendimento, verranno identificate e pianificate le esperienze didattiche più appropriate.



Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE II
N/D

Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE I
N/D
Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE IV
obbligatoria


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE III
Il corso si svolgerà in presenza e farà uso di approcci di apprendimento attivi e interattivi per facilitare l'apprendimento.




Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE II
N/D

Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE I
N/D
Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE IV
Gli studenti presenteranno i risultati di un progetto computazionale sviluppato indipendentemente e risponderanno alle domande sul progetto e sul programma


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE III
- Illustrare i concetti fondamentali del ML, con particolare attenzione alle principali tipologie di apprendimento (supervisionato, non supervisionato e reinforcement learning), e a nozioni chiave come feature, class label, selezione delle features, training, validazione e test di un modello.
- Descrivere e discutere le fasi principali di un processo di ML, tra cui: il pre-processamento dei dati, la suddivisione in dataset di training e di test, l’addestramento e la valutazione del modello, nonché il miglioramento delle prestazioni attraverso la regolazione degli iperparametri.



Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE II
N/D

Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE I
N/D
Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE IV
- quali sono le equazioni alla base della di dinamica molecolare?
- come si prepara un sistema biologico per una simulazione?
- elementi di base degli ensemble
- fare un esempio di tecnica per il calcolo dell'energia libera


Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE III
- Illustrare i concetti fondamentali del ML, con particolare attenzione alle principali tipologie di apprendimento (supervisionato, non supervisionato e reinforcement learning), e a nozioni chiave come feature, class label, selezione delle features, training, validazione e test di un modello.
- Descrivere e discutere le fasi principali di un processo di ML, tra cui: il pre-processamento dei dati, la suddivisione in dataset di training e di test, l’addestramento e la valutazione del modello, nonché il miglioramento delle prestazioni attraverso la regolazione degli iperparametri.



Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE II
N/D

Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE I



Modulo: BIOLOGIA COMPUTAZIONALE E DINAMICA MOLECOLARE IV

• - Elementi di base delle simulazioni molecolari. Introduzione ad un motore di dinamica molecolare e a programmi di visualizzazione di molecole.
  • Testi di riferimento: Statistical Mechanics: Theory and Molecular Simulation, Tuckerman, M.E., Oxford Graduate Texts, 2023


• - Potenziali di interazione tra atomi. Preparazione e visualizzazione di una simulazione: proteine di membrana.
  • Testi di riferimento: Statistical Mechanics: Theory and Molecular Simulation, Tuckerman, M.E., Oxford Graduate Texts, 2023


• - Gli ensemble. Esercitazione sulla minimizzazione ed equilibrazione di una proteina di membrana
  • Testi di riferimento: Statistical Mechanics: Theory and Molecular Simulation, Tuckerman, M.E., Oxford Graduate Texts, 2023


• - Analisi delle simulazioni di dinamica molecolare. Analisi delle traiettorie, calcolo di osservabili rilevanti, medie e fluttuazioni.
  • Testi di riferimento: Statistical Mechanics: Theory and Molecular Simulation, Tuckerman, M.E., Oxford Graduate Texts, 2023


• - Dinamica molecolare di non equilibrio. Esercitazione sulla conduzione in un canale ionico
  • Testi di riferimento: Statistical Mechanics: Theory and Molecular Simulation, Tuckerman, M.E., Oxford Graduate Texts, 2023


• - Energia libera e variabili collettive. Esercitazione sul calcolo di energia libera tramite umbrella sampling: barriere di conduzione
  • Testi di riferimento: Statistical Mechanics: Theory and Molecular Simulation, Tuckerman, M.E., Oxford Graduate Texts, 2023