Biotecnologie mediche

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.