IN470 - Metodi Computazionali per la Biologia

Giovedì dalle ore 13.00 alle 14.00 studio 314 pal C sede San L. Murialdo 1

Lezione n. 1 - Tuesday 27 September 2016

Outline del corso; Introduzione e generalita'; Bioinformatica e algoritmi; La biologia computazionale nella clinica e nell'industria farmaceutica; Farmacocinetica e farmacodinamica;

Lezione n. 2 - Thursday 29 September 2016

Introduzione alla Systems Biology: cosa e' la biologia computazionale; I ruoli della modellistica matematica e della bioinformatica; a cosa mira; quali sono i problemi; Strumenti teorici utilizzati della bio-matematica e della bioinformatica.

Lezione n. 3 - Tuesday 4 October 2016

Introduzione alla biologia molecolare e cellulare (prima parte ): conoscenza di base di genetica, proteomica e processi cellulari; Ecologia ed evoluzione; le molecola base; i legami molecolari; i cromosomi; ll DNA e la sua replicazione;

Lezione n. 4 - Thursday 6 October 2016

Introduzione alla biologia molecolare e cellulare (seconda parte); genomica; Il dogma centrale della biologia; Analisi dei geni; la trascrizione del DNA; i virus;

Lezione n. 5 - Tuesday 11 October 2016

Laboratorio: generazione casuale di stringhe nucleotidiche di lunghezza arbitraria; il codice genetico; Programma in C di trascrizione sequenza DNA e traduzione in proteine; Laboratorio;

Lezione n. 6 - Thursday 13 October 2016

Introduzione alla biologia molecolare e cellulare (terza parte); il dogma centrale della biologia; tipi di RNA; La traduzione dell'RNA in proteine.

Lezione n. 7 - Tuesday 18 October 2016

Intro probabilita'; Variabili casuali; distribuzioni discrete e continue; generazione di variabili aleatorie con distribuzione arbitraria; Il medoto Acceptance/Rejection; Laboratorio: generazioni di numeri casuali; uso della funzione C drand48; Laboratorio, linear congruental algorithms e uso della srand48() e della drand48()

Lezione n. 8 - Tuesday 25 October 2016

Introduzione alle teoria dell'informazione; Shannon Entropy; Conditional Entropy; Mutual Information; Indici di diversita' biologica; Indice di Shannon; True diversity; Reny index;

Lezione n. 9 - Thursday 27 October 2016

Lavoro di gruppo; lettura ed esposizione di un articolo di review; Lavoro di gruppo; lettura ed esposizione di un articolo di review; Esercizi e chiarimenti sulle lezioni precedenti (indici di diversita' e entropia di Shannon);

Lezione n. 10 - Thursday 3 November 2016

Introduzione ai processi stocastici; definizione base; esempi; modello di code; processo di Bernoulli e di Poisson; Processi Markoviani; i processi stocastici in bioinformatica e bio-matematica; l'autocorrelazione; Cenni ai Random Walks e all'algoritmo BLAST di sequence alignment come processo stocastico e principale algoritmo per la consultazione di database di sequenze biologiche; Chiarimenti e esercitazione sul compito da svolvere in laboratorio;

Lezione n. 11 - Tuesday 8 November 2016

Laboratorio: esercitazioni sul concetto di algoritmo evolutivo; cenni sugli Algoritmi Genetici; Laboratorio; il concetto di diversita' biologica; esercitazioni sul calcolo della diversita' su bio-sequenze; Calcolo degli indici di diversita' di Shannon; Renyi entropy; Richness; Simpson index;

Lezione n. 12 - Thursday 10 November 2016

Laboratorio: sviluppo di un algoritmo per simulare un cammino casuale (random walk) in 2D; Analisi dei cammini prodotti dalle simulazioni; verificare l'accuratezza della stima numerica di varie quantita' misurate sul cammino rispetto alla relazione teorica; Chiarimenti e esercitazione sul compito da svolvere in laboratorio;

Lezione n. 13 - Tuesday 15 November 2016

Confrontare sequenze: similarita' e omologia; pairwise alignment; distanza di editing; scoring matrices PAM e BLOSUM; Algoritmo di Needleman-Wunsch; allineamento locale; Algoritmo di Smith-Waterman; algoritmo BLAST;

Lezione n. 14 - Thursday 17 November 2016

Exact matching/string searching: generalita'; l'agoritmo di Knuth-Morris-Pratt; Exact matching/string searching: l'agoritmo di Boyer-Moore;

Lezione n. 15 - Tuesday 22 November 2016

Multiple Sequence Alignment; sequenza di consenso; algoritmi star alignment; ClustalW; entropy e circular sum scoring functions; Banche dati biologiche; motivazioni; formato dati; tassonomia; DB primari; DB secondari; NCBI, EMBL, DDBJ; NCBI EBI-Entrez;

Lezione n. 16 - Thursday 24 November 2016

Hidden Markov Models; Decoding; the Viterbi Algorithm; Evaluation; Hidden Markov Models; The Forward Algorithm; The Backward Algorithm; Posterior Decoding; Chiarimenti su come reperire informazioni e sequenze dai db primari;

Lezione n. 17 - Tuesday 29 November 2016

Hidden Markov Models; Learning; Baum-Welch Algorithm; Uso di HMM per l'analisi di bio-sequenze; gene finding; Laboratorio: completamento dell'esercizio su selezione e evoluzione di stringhe nucleotidiche/aminoacidiche; Dettagli implementatitvi;

Lezione n. 18 - Thursday 1 December 2016

Phylogenetic Analysis; alberi filogenetici; dimensione dello spazio di ricerca di algoritmi filogenetici; Metodi di costruzione di alberi filogenetici; Dati usati per l'analisi filogenetica; L'algoritmo Unweighted Pair Group Method with Arithmetic mean (UPGMA); l'algoritmo Neighbor Joining Method; Domande/risposte e chiarimenti sugli argomenti trattati nelle scorse lezioni;

Lezione n. 19 - Tuesday 6 December 2016

Machine Learning; generalita'; supervised e unsupervised learning; model selection; undefitting; overfitting; Polynomial curve fitting; machine learning come stima dei parametri ed il problema dell'overfitting; suddivisione del training set in testing e testing; concetto di bias e variance trade-off; Artificial Neural Networks; definizone; il percettrone di Rosenblatt; l'algoritmo di apprendimento del percettrone; il multi-layer perceptron; l'algoritmo di error-back propagation per l'apprendimento del MLP; tipi di neural networks; convolution networks; reinforcement networks; unsupervised learning e self-organising maps;

Lezione n. 20 - Tuesday 13 December 2016

Laboratorio: Implementazione di un modello matematico per un processo stocastico; sviluppo di un algoritmo per simulare il processo stocastico; Analisi del random walk prodotto dalla simulazione; visualizzazione con gnuplot; Calcolo del root mean square displacement in funzione del numero di passi del random walk su un numero grande di cammini;

Lezione n. 21 - Thursday 15 December 2016

Cenni introduttivi alla teoria dei grafi; rappresentazione, terminologia, concetti; cammini; cicli; connettivita'; distanza; componenti connesse; distanza; visita breadth-first search; depth-first search; algoritmo di Dijkstra; six-degree of separation; small world networks; misure di centralita'; degree centrality; eigenvector centrality; betweennes centrality; closeness centrality; La network biology; generalita'; concetti; tipi di dati biologici usati per costruire le reti; network biology e network medicine; problemi e algoritmi usati; misure di centralita'; random networks; scale-free networks; preferential attachment; scale-free network in biologia; Chiarimenti sull'algoritmo di Error-Back-Propagation per l'applendimento di Reti Neurali Multistrato;

Lezione n. 22 - Tuesday 20 December 2016

Modelli bio-matematici; predizione mediante modelli teorici; il paradigma itertativo della modellistica matematica; data-driven models; modelli di crescita di popolazione limitata e non; derivazione analitica ed esempi; crescita logistica; modelli ecologici limitati dalla densita'; Il modello di Lotka-Volterra; l'esperimento di Huffaker e Kenneth; il modello epidemico SIR e alcune sue varianti; Il modello di Perelson per la HAART; l'applicazione Java Populus per la soluzione di modelli continui di dinamica delle popolazione; cenni ai metodi di risoluzione numerica dei sistemi di equazioni differentiali;

Lezione n. 23 - Thursday 22 December 2016

Modelli discreti; modelli di spin (Ising models); Automi cellulari; Boolean networks; Agent-based models; data fitting e stima dei parametri; strumenti software disponibili; Automi cellulari; introduzione e storia; definizione; l'automa 1-dimensionale; classificazione di Wolfram; l'automa 2-dimensionale; il Game of Life di Conway; Software disponibile per la simulazione di CA; hardware dedicato (CA-Machine); il modello preda-predatore come automa cellulare bidimensionale; relazione con il sistema di equazioni alle derivare ordinarie; modelli stocastici; CA stocastici come sistemi dinamici discreti stochastici e processi stocastici; esempio di CA: Belousov-Zabotonsky reactions;

Lezione n. 24 - Thursday 12 January 2017

Laboratorio: il modello di Perelson per HIV e HAART; Model fitting di dati sperimentali con l'algoritmo di Levenberg-Marquard di nonlinear fitting; Populus, un software per lo studio di modelli di matematical biology;