Modul MA4667 T

Dauer

1 Semester

Angebotsturnus

Unregelmäßig im Sommersemester

Leistungspunkte

4

Studiengang, Fachgebiet und Fachsemester:

• Master Informatik 2019, Wahlpflicht, Vertiefungsmodule, Beliebiges Fachsemester
• Master Informatik 2019, Wahlpflicht, Kanonische Vertiefung Bioinformatik und Systembiologie, Beliebiges Fachsemester

Lehrveranstaltungen:

• MA4667-Ü: Advanced Algorithmic and Mathematical Concepts for Molecular Biology (Übung, 1 SWS)
• MA4667-V: Advanced Algorithmic and Mathematical Concepts for Molecular Biology (Vorlesung, 2 SWS)

Workload:

• 20 Stunden Prüfungsvorbereitung
• 85 Stunden Selbststudium und Aufgabenbearbeitung
• 45 Stunden Präsenzstudium

Lehrinhalte:

• Reproduzierbare Forschung und Datenmanagement: Behandelt Prinzipien wie FAIR-Daten, Datenmanagementpläne, öffentliche Repositorien, Workflow-Management-Systeme, Software-Containerisierung und Konzepte des Hochleistungsrechnens (Parallelisierung, Scheduling, Job-Monitoring).
• Bioinformatische Datentypen und -technologien: Verstehen der Generierung, Formate und Analyse-und Modellierungs-relevanten Eigenschaften verschiedener biologischer Daten, einschließlich DNA-/RNA-Sequenzen, Proteinstrukturen, SNP-Genotypisierung und Expressionsarrays.
• Biologische Sequenzanalyse: Grundlagen der Darstellung biologischer Sequenzen, Anwendung von String-Matching-Algorithmen, Verständnis verschiedener Alignment und Mapping Algorithmen sowie von Ansätzen für multiples Alignment.
• Proteinstrukturanalyse: Verständnis der Darstellung molekularer Strukturen und der mathematische Ansätze zur Vorhersage und zum Vergleich von Strukturen.
• Genom- und Transkriptomassemblierung: Methoden zur Konstruktion von Genomen und Transkriptomen mithilfe von Ansätzen wie Overlap Consensus und De-Bruijn-Graphen sowie Verständnis von Genomgraphen und Pangenomen.
• Genetische Variationsanalyse: Identifizierung und Genotypisierung kurzer und langer genetischer Varianten durch Genomalignments, Messung der Sequenzkonservierung sowie Variantenannotation und Koordinatentransfer zwischen Genomen.
• Funktionelle Genomik und Epigenomik: Analyse funktioneller und epigenetischer Markierungen im Genom, Messung der Nukleosomenpositionierung und des offenen Chromatins, Durchführung von ChIP-seq-Analysen für Transkriptionsfaktoren und Histonmarkierungen sowie Segmentierung des Genoms.
• Mathematische und statistische Methoden in der Bioinformatik: Anwendung von Hidden-Markov-Modellen (HMMs) zur Genvorhersage und Genomsegmentierung sowie Nutzung statistischer Methoden zur Transkriptomanalyse, einschließlich Zählung, Signifikanztests, Normalisierung, Batch-Korrektur und Kontrolle falscher Entdeckungen.
• Fortgeschrittenes Maschinelles Lernen für biologische Daten: Erforschung moderner Techniken des Maschinellen Lernens wie Nukleotid- und Proteinsprachenmodellen, regulatorischen Sequenzmodellen, Convolutional Neural Networks (CNNs) und Transformer-Modellen.
• Fortgeschrittene OMICS-Datenanalyse und -integration: Bewältigung von Herausforderungen bei Einzelzell-(Ko-)Assays und räumlicher Transkriptomik, Umgang mit hochdimensionalen und spärlichen/fehlenden Daten sowie Anwendung von Methoden zur Kombination verschiedener OMICS-Ebenen.

Qualifikationsziele/Kompetenzen:

• Die Studierenden erlangen die Fähigkeit zur reproduzierbaren Datenanalyse und effektivem Forschungsdatenmanagement
• Die Studierenden erlangen ein Verständnis grundlegender Bioinformatik-Datentypen und ihrer Ursprungstechnologien
• Die Studierenden beherrschen rechnerische und mathematische Grundlagen zur Analyse biologischer Sequenzen und Strukturen
• Die Studierenden erwerben Kompetenzen in der Genom- und Transkriptom-Assemblierung
• Die Studierenden erlernen Methoden zur Identifikation und Analyse genetischer Varianten
• Die Studierenden erlernen Konzepte und Methoden der funktionellen Genomik und Epigenomik
• Die Studierenden lernen mathematische Modelle und statistische Ansätze in der Bioinformatik anzuwenden
• Die Studierenden erlernen die Untersuchung fortgeschrittener maschineller Lerntechniken zur Analyse biologischer Daten
• Die Studierenden erlangen ein Verständnis über die Herausforderungen in der OMICS-Datenanalyse und deren Integrationsstrategien

Vergabe von Leistungspunkten und Benotung durch:

• Mündliche Prüfung

Modulverantwortliche:

• Siehe Hauptmodul

Lehrende:

• Institut für Mathematik
• Prof. Dr. Cornelia Pokalyuk
• Prof. Dr. Inken Wohlers
• Prof. Dr. rer. nat. Martin Kircher

Literatur:

• Durbin et al. : Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids 1998
• Compeau & Pevzner : Bioinformatics Algorithms: An Active Learning Approach 3rd Ed., 2018
• Holmes & Huber : Modern Statistics for Modern Biology 2019
• Altuna Akalin : Computational Genomics with R 2020
• Muhammad Nabeel Asim ,Sheraz Ahmed, Andreas Dengel : Artificial Intelligence for Molecular Biology: Volume II 2025
• Vince Buffalo : Bioinformatics Data Skills 2015

Sprache:

• Englisch

Bemerkungen:

Letzte Änderungen:

01.04.2026