Καθηγητές Μαθήματος
Περίγραμμα
| ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ | Ειδικού Υποβάθρου | ||
| ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ: | |||
| ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ: | ΕΛΛΗΝΙΚΑ & ΑΓΓΛΙΚΑ | ||
| ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS | ΝΑΙ | ||
| ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL) | https://bme.uniwa.gr/course/computational-biology/ | ||
| (2) ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ | |||
| Μαθησιακά Αποτελέσματα Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος. |
|||
| Μετά το τέλος του μαθήματος οι φοιτητές: α) θα γνωρίζουν βασικές έννοιες της Υπολογιστικής Βιολογίας για την επίλυση προβλημάτων βασικής και μεταφραστικής έρευνας. β) θα αναπτύξουν βασικές αρχές προγραμματισμού σε περιβάλλον LINUX (BASH scripting) και εφαρμογή τους σε συστήματα υψηλών επιδόσεων (High-Performance Computing). γ) θα κατανοήσουν και θα εκτελέσουν αλγορίθμους ανάλυσης μεγάλων ομικών δεδομένων (Big Data Analysis) σε επαγγελματικό επίπεδο, με επιλογή σωστών παραμέτρων λειτουργίας των εργαλείων αυτών. δ) Θα αναπτύξουν εξειδικευμένες δεξιότητες επίλυσης σύνθετων προβλημάτων υπολογιστικής βιολογίας που θα μπορούν να εφαρμοστούν σε πεδία έρευνας Πανεπιστημίων, Ερευνητικών Κέντρων και Βιο/Φαρμακευτικών Εταιριών. ε) Θα αναπτύξουν ικανότητες εξόρυξης γνώσης σε τεράστιες βάσεις ομικών δεδομένων |
|||
| Γενικές Ικανότητες Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως), σε ποια/ποιες από αυτές αποσκοπεί το μάθημα; |
|||
| • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών και λήψη αποφάσεων • Προσαρμογή σε νέες καταστάσεις • Μετατροπή της θεωρίας σε πράξη • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης • Αυτόνομη εργασία • Λήψη αποφάσεων • Απόκτηση του κατάλληλου θεωρητικού γνωστικού υπόβαθρου ώστε να είναι δυνατή η περαιτέρω εκπαίδευση του, σε διδακτορικό επίπεδο • Σχεδιασμός και διαχείριση ερευνητικών ερωτημάτων • Παράγωγή έρευνας • Εργασία σε διεπιστημονικό περιβάλλον • Προσαρμογή σε νέες τεχνολογίες |
|||
| (3) ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ | |||
| • Εισαγωγή στη γλώσσα Unix Shell (Bash Scripting Language). • Εισαγωγή στο έλεγχο έκδοσης (Version Control – GitHub). • Δημιουργία κατάλληλου περιβάλλοντος (Conda Environment) για εγκατάσταση και χρήση προγραμμάτων ανάλυσης μεγάλων ομικών δεδομένων. • Ανάπτυξη και λειτουργία εφαρμογών σε συστήματα υψηλών επιδόσεων (High-Performance Computing). • Μορφές αποθήκευσης μεγάλων ομικών δεδομένων όπως για παράδειγμα αρχείων Fasta, Fastq, SAM/BAM, Bed, VCF, GTF κτλ. • Έλεγχος Ποιότητας Δεδομένων (Quality Control). • Τεχνολογίες Στοίχισης (Alignment) και Ποσοτικοποίησης (Quantification). • Γονιδιώματική Ανάλυση (DNA) Δεδομένων Ακολουθιών Νέας Γενιάς (Next-Generation Sequencing NGS) για Ανίχνευση Μεταλλάξεων (Variant Calling). • Μεταγραφωμική Ανάλυση (RNA) Δεδομένων Ακολουθιών Νέας Γενιάς (Next-Generation. Sequencing) για Ανάλυση Γονιδιακής Έκφρασης (Bulk-RNAseq Differential Expression). • Οπτικοποίηση των αποτελεσμάτων και ανάλυση βιολογικών συμπερασμάτων. |
|||
| (4) ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ – ΑΞΙΟΛΟΓΗΣΗ | |||
| ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ. |
Πρόσωπο με πρόσωπο στην πανεπιστημιακή αίθουσα. | ||
| ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές |
Ηλεκτρονικές Παρουσιάσεις στη Διδασκαλία. Χρήση της ηλεκτρονικής πλατφόρμας eClass του Τμήματος στη Διδασκαλία και στην Επικοινωνία με τους φοιτητές. |
||
| ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ | Δραστηριότητα | Φόρτος Εργασίας Εξαμήνου | |
| Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας. Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης σύμφωνα με τις αρχές του ECTS |
Διαλέξεις (2×13) | 26 | |
| Αυτοτελής μελέτη | 94 | ||
| Σύνολο Μαθήματος | 120 | ||
|
ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ Περιγραφή της διαδικασίας αξιολόγησης Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές. |
Γλώσσα αξιολόγησης: Ελληνική / Αγγλική. Μέθοδος αξιολόγησης: • Γραπτή αξιολόγηση (70%-100%) με ερωτήσεις πολλαπλής επιλογής ή/και ερωτήσεις σύντομης απάντησης ή/και επίλυση προβλημάτων. • Γραπτή εργασία με δημόσια παρουσίαση (0-30%). |
||
| (5) ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ | |||
| • Neil C. Jones, Pavel A. Pevzner, Εισαγωγή στους Αλγορίθμους Βιοπληροφορικής ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ, 2010 • Σοφία Κοσσιδά, Βιοπληροφορική, ΕΚΔΟΣΕΙΣ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΙΔΙΩΤΙΚΗ ΚΕΦΑΛΑΙΟΥΧΙΚΗ ΕΤΑΙΡΕΙΑ, 2009 • Vasilis Promponas, Introduction to Bioinformatics, University Cyprus, 2010 • Παντελής Γ. Μπάγκος, Βιοπληροφορική, Πανεπιστήμιο Θεσσαλίας, 2015 • Χριστόφορος Νικολάου, Υπολογιστική Βιολογία, Πανεπιστήμιο Κρήτης, 2015 • Supratim Choudhuri, Bioinformatics for Beginners: Genes, Genomes, Molecular Evolution, Databases and Analytical Tools, 1st Edition, Academic Press 2014 • Arthur M. Lesk, Introduction to Bioinformatics, 4th Edition., Oxford University Press, 2013 • Marketa Zvelebil and Jeremy Baum, Understanding Bioinformatics, Garland Science 2007 • σΒιοπληροφορική και λειτουργική Γονιδιωματική, 3η έκδοση, Jonathan Pevsner, 2019 |
|||