Skip to content
Technical University of Munich

Angewandte Data Science in den Biowissenschaften

Vortragende/r (Mitwirkende/r)
Mathias Wilhelm
Melanie Schirmer
Markus List
Michael Witting
Nummer 0000000867
Art Vorlesung
Umfang 2 SWS
Semester Sommersemester 2024
Unterrichtssprache Deutsch
Stellung in Studienplänen Siehe TUMonline
Termine Siehe TUMonline

Teilnahmekriterien

Siehe TUMonline

Lernziele

Nach dem erfolgreichen Abschluss des Moduls sind die Teilnehmenden mit den Grundlagen der Data Science vertraut. Sie kennen die Grundlagen der Programmiersprache R und können mit Paketumgebungen wie R/Bioconductor und CRAN umgehen, sich passend Pakete installieren, sich in die Dokumentation einarbeiten und einfache Aufgabenstellungen selbständig lösen, sowie Ergebnisse mittels passender Werkzeuge visualisieren. Die Teilnehmenden können grundlegende Prinzipien des maschinellen Lernens wiedergeben und mögliche Probleme und Limitierungen anhand von Beispielen erkennen und einordnen. Die Teilnehmenden können Besonderheiten verschiedener OMICS Technologien wiedergeben, die technische Basis erklären und gängige Methoden zur Qualitätssicherung, Prozessierung und Visualisierung der Daten sowie deren Normalisierung und tiefergehenden Analyse beschreiben. Die Analyse von verschiedener OMICS Profile anhand passender Softwarepakete kann selbständig durchgeführt werden. Die Teilnehmenden kennen zudem gängige Daten- und Reporting-Standards sowie passende Datenbanken und Repositorien zur Datenweitergabe. Der Einsatz grundlegender statistischer Methoden erlaubt es den Teilnehmenden die Ergebnisse zu analysieren, interpretieren und zu diskutieren.

Beschreibung

In diesem Modul werden die Grundlagen der Data Science im Bereich Molekularbiologie behandelt. Folgende Inhalte werden behandelt:
- Grundlagen von R, Bioconductor
- Wissenschaftliche Prinzipien von Open Science bis FAIR data
- Visualisierung von OMICS Daten
- Grundlagen des maschinellen Lernens
- Data Science Grundlagen der Metagenomik und statistische Analysen
- Data Science Grundlagen der Transkriptomik, der differenziellen Genexpressionanalyse
- Data Science Grundlagen der funktionalen Enrichment Analyse.
- Data Science Grundlagen der Proteomik
- Data Science Grundlagen der Metabolomik

Inhaltliche Voraussetzungen

Einführung in die Statistik (MA9602)

Lehr- und Lernmethoden

Vorlesung, Übung, Projektarbeit

Vorlesung unter aktiver Beteiligung der Studierenden;
Angeleitete Übungen, Präsentation und Diskussion von Übungsaufgaben; Bearbeitung verschiedener Themen als Gruppe, Angeleitete Analyse von OMICS Daten und Ergebnis-Diskussion.

Web-basierte Gruppenarbeit (Moodle) zur Vorlesung.

Studien-, Prüfungsleistung

Die Modulprüfung erfolgt im Rahmen einer Projektarbeit am Ende des Semesters in Gruppen von 3-4 Teilnehmern. Als Projektauftrag dient die Entwicklung einer Analysepipeline, mit der die Studierenden vermitteln, dass sie Konzepte der Veranstaltung verstanden haben. Nach der Abgabe des Reports werden die Teilnehmenden ein Peer-Review-Begutachtung vornehmen. Die Note ergibt sich zu gleichen Teilen aus dem Peer-Review (ca 2 Seiten) und dem finalen Report (ca 15 Seiten).
Darüber hinaus besteht die Möglichkeit, eine freiwillige Studienleistung als Mid-Term-Leistung gemäß APSO §6 Abs. 5 zu erbringen. Diese ist in Form einer Übungsleistung konzipiert, d.h. die Studierenden erhalten Arbeitsblätter, anhand derer sie den richtigen Umgang mit den Methoden praktisch erlernen und nachweisen (Gruppenarbeit 3-4 Personen).
Bei nicht erfolgreicher Prüfung erhalten die Teilnehmenden einmalig die Möglichkeit, Nachbesserungen an der Ausarbeitung und Peer-Review einzureichen.

Empfohlene Literatur

Modern Statistics for Modern Biology; Susan Holmes, Wolfgang Huber (https://www.huber.embl.de/msmb/)

Links

To top