Εισαγωγή στην Υπολογιστική/Ποσοτική Συνθετική Βιολογία

Μαθησιακά Αποτελέσματα

Μετά την επιτυχή ολοκλήρωση των διαλέξεων και των υπολογιστικών εργαστηριακών ασκήσεων του μαθήματος, οι μεταπτυχιακοί φοιτητές/-τριες θα είναι σε θέση:

Σε επίπεδο γνώσεων και κατανόησης

• να αναλύουν τη δομή, τη δυναμική και την αρθρωτή οργάνωση (modularity) των βιολογικών δικτύων, των μεταβολικών μονοπατιών και των γενετικών κυκλωμάτων.
• να αξιολογούν υπολογιστικές, βιοπληροφορικές και μεθόδους μηχανικής μάθησης που χρησιμοποιούνται για τον σχεδιασμό, τη μοντελοποίηση και τη βελτιστοποίηση βιολογικών συστημάτων
• να σχεδιάζουν και να αξιολογούν συνθετικά γενετικά κυκλώματα (υποκινητές, διακόπτες (toggle switches), λογικές πύλες (logic gates), βιοαισθητήρες) με χρήση ποσοτικής μοντελοποίησης
• να προβλέπουν και να αξιολογούν δομές πρωτεϊνών και δίκτυα αλληλεπιδράσεων με τη χρήση σύγχρονων υπολογιστικών εργαλείων, συμπεριλαμβανομένων μεθόδων όπως το AlphaFold

Σε επίπεδο δεξιοτήτων

• να αναλύουν και να ερμηνεύουν δεδομένα που παράγονται από τεχνολογίες υψηλής απόδοσης, όπως η Αλληλούχηση Νέας Γενιάς (Next-Generation Sequencing) και προσεγγίσεις multi-omics
• να χρησιμοποιούν εργαλεία υπολογιστικής βιολογίας και μηχανικής μάθησης για την ανάλυση, προσομοίωση και βελτιστοποίηση συνθετικών βιολογικών συστημάτων
• να εφαρμόζουν βασικούς αλγορίθμους βιοπληροφορικής (δυναμικός προγραμματισμός, BLAST, κρυφά μοντέλα Markov (HMMs), Bayesian μέθοδοι) για την ανάλυση και σχολιασμό βιολογικών αλληλουχιών
• να εκτελούν εργασίες σε περιβάλλον UNIX shell και R για την επεξεργασία και ολοκλήρωση multi-omics δεδομένων (γονιδιωματική, μεταγραφωμική, πρωτεωμική, μεταβολωμική)
• να πραγματοποιούν αναλύσεις διαφορικής έκφρασης και διαφορικής αφθονίας, αξιολογώντας τις στατιστικές υποθέσεις και τις διορθώσεις πολλαπλών δοκιμών
• να αναλύουν μεταγονιδιωματικά δεδομένα για την ανακάλυψη νέων ενζυμικών λειτουργιών μέσω διαδικασιών συναρμολόγησης, ομαδοποίησης (binning) και λειτουργικού χαρακτηρισμού γονιδίων.
• να συνδυάζουν υπολογιστικά αποτελέσματα από διαφορετικά omics δεδομένα και να παρουσιάζουν τα αποτελέσματα σε ομαδικές εργασίες

Σε επίπεδο ικανοτήτων

• να σχεδιάζουν και να υλοποιούν αυτόνομα ερευνητικά έργα στη μεταγονιδιωματική και τη συνθετική βιολογία, αξιοποιώντας σύγχρονες πειραματικές, υπολογιστικές και αυτοματοποιημένες μεθόδους
• να αξιολογούν τη διεθνή επιστημονική βιβλιογραφία και να ενσωματώνουν νέα ερευνητικά δεδομένα στον σχεδιασμό βιολογικών συστημάτων
• να λαμβάνουν τεκμηριωμένες αποφάσεις για την αντιμετώπιση σύνθετων και απρόβλεπτων ερευνητικών ή τεχνολογικών προκλήσεων
• να συνεργάζονται αποτελεσματικά σε διεπιστημονικές ομάδες που συνδυάζουν βιολογία, μηχανική, πληροφορική και χημεία
• να επικοινωνούν αποτελεσματικά επιστημονικά αποτελέσματα και τεχνολογικές εφαρμογές τόσο σε ειδικό όσο και σε μη ειδικό κοινό

Περιεχόμενο Μαθήματος

Θεωρία

1. Εισαγωγή στην Υπολογιστική Βιολογία: ανάλυση βιολογικών αλληλουχιών, ομολογία, δυναμικός προγραμματισμός, BLAST, κρυφά μοντέλα Markov, Bayesian στατιστική
2. Συνθετική Βιολογία και θεωρία βιολογικών αλληλουχιών: σχεδιασμός και μοντελοποίηση συνθετικών κυκλωμάτων – ποσοτικός σχεδιασμός συνθετικών υποκινητών, διακοπτών (toggle switches), λογικών πυλών και βιοαισθητήρων· κύκλοι σχεδιασμού καθοδηγούμενοι από μοντέλα
3. Εισαγωγή σε UNIX και R scripting: περιβάλλον UNIX, shell scripting, βασικές αρχές προγραμματισμού σε R, επεξεργασία αρχείων, pipelines ανάλυσης δεδομένων, συνεργατική εργασία (GitHub)
4. Στατιστικές έννοιες για βιολογική ανάλυση: διακύμανση, μεροληψία (bias), ανεξαρτησία, κατανομές, πολλαπλοί στατιστικοί έλεγχοι, ακραίες τιμές, ελλιπή δεδομένα, ομαδοποίηση (clustering)
5. Επεξεργασία και ενσωμάτωση γονιδιωματικών δεδομένων: τεχνολογίες αλληλούχισης υψηλής απόδοσης, ποιοτικός έλεγχος, συναρμολόγηση γονιδιώματος και δομικός/λειτουργικός χαρακτηρισμός
6. Μεταγραφωμική (Transcriptomics): πειραματικός σχεδιασμός, έλεγχος και διασφάλιση ποιότητας δεδομένων (QA/QC), στατιστικά μοντέλα για ανάλυση διαφορικής έκφρασης
7. Πρωτεωμική, μεταβολομική και ενσωμάτωση multi-omics δεδομένων: στρατηγικές ανάλυσης δεδομένων· πλαίσια διαφορικής ανάλυσης (π.χ. partial least squares)
8. Πρόβλεψη δομής και δυναμικής πρωτεϊνών: υπολογιστικές μέθοδοι (π.χ. AlphaFold), μοντελοποίηση δυναμικής πρωτεϊνών, εξελικτική πληροφορία
9. Δίκτυα αλληλεπιδράσεων πρωτεϊνών: ανακατασκευή και ανάλυση αλληλεπιδράσεων πρωτεΐνης–πρωτεΐνης, πρωτεΐνης–προσδέτη και ρυθμιστικών δικτύων, τοπολογία δικτύων και μοτίβα
10. Ανάλυση μεταγονιδιωμάτων για νέες λειτουργίες: συναρμολόγηση μεταγονιδιωμάτων, ομαδοποίηση (binning), λειτουργικός χαρακτηρισμός και αναζήτηση νέων ενζυμικών δραστηριοτήτων, εφαρμογές στη συνθετική βιολογία και τη μηχανική μεταβολικών οδών
11. Εφαρμογές σχεδιασμού και μοντελοποίησης συνθετικών κυκλωμάτων: ποσοτικός σχεδιασμός υποκινητών, διακοπτών, λογικών πυλών και βιοαισθητήρων· κύκλοι σχεδιασμού με καθοδήγηση από μοντέλα
12. Παρουσιάσεις φοιτητών: Παρουσιάσεις φοιτητικών εργασιών (projects) και συζήτηση πάνω στις προκλήσεις και τις μελλοντικές κατευθύνσεις της συνθετικής βιολογίας.

Υπολογιστικά Εργαστήρια

1. Πρακτική Άσκηση σε UNIX και Γλώσσα R: εντολές shell, επεξεργασία αρχείων και ανάλυση δεδομένων
2. Ανάλυση Δεδομένων Γονιδιωματικής και Μεταγραφωμικής: ποιοτικός έλεγχος, read alignment, και ανάλυση διαφορικής έκφρασης με R/DESeq2
3. Ανάλυση Δεδομένων Πρωτεωμικής και Μεταβολωμικής: κανονικοποίηση δεδομένων, PLS-DA και ανάλυση εμπλουτισμού μεταβολικών μονοπατιών
4. Σχεδιασμός και μοντελοποίηση συνθετικών κυκλωμάτων: ποσοτική προσομοίωση συνθετικών γενετικών κυκλωμάτων (υποκινητές, διακόπτες, λογικές πύλες) με χρήση εργαλείων Python
5. Ανάλυση Πρωτεϊνικής Δομής και Αλληλεπιδράσεων: προβλέψεις μέσω AlphaFold, μοριακή οπτικοποίηση και ανακατασκευή δικτύων αλληλεπίδρασης

Συνιστώμενη Βιβλιογραφία

• “An Introduction to Bioinformatics Algorithms”, Jones, N.C., 2004. ISBN: 978-0-262-10106-6
• “Bioinformatics Algorithms: An Active Learning Approach”, P. Compeau & P. Pevzner, Active Learning Publishers, 2018. ISBN: 978-0-9903746-3-3
• “Bioinformatics Data Skills”, V. Buffalo, O’Reilly Media, 2015. ISBN: 978-1-449-36737-4
• “Synthetic Biology: A Primer”, P. S. Freemont & R. I. Kitney (Eds.), Imperial College Press, 2016. ISBN: 978-1-783-26879-5
• “Statistical Methods in Bioinformatics: An Introduction”, W. J. Ewens & G. R. Grant, 2nd Edition, Springer, 2005. ISBN: 978-0-387-40082-2
• Course Lecture Notes, Slides, and Computational Lab Tutorials (distributed via the course e-class platform)