«Differential Expression Analysis: diving into transcriptome using R & Python»
ΣΩΤΗΡΙΟΣ ΤΟΥΛΙΟΠΟΥΛΟΣ, Προπτυχιακός Φοιτητής, Τμήμα Μοριακής Βιολογίας & Γενετικής, ΔΠΘ
ΚΩΝΣΤΑΝΤΙΝΟΣ ΔΑΝΙΗΛΙΔΗΣ, Μεταπτυχιακός Φοιτητής, Τμήμα Πληροφορικής με Εφαρμογές στην Βιοϊατρική, Παν. Θεσσαλίας
ΧΡΗΣΤΟΣ-ΣΠΥΡΙΔΩΝ ΚΟΥΛΟΥΡΗΣ, Προπτυχιακός Φοιτητής, Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών, ΕΜΠ
Σκοπός του workshop είναι η εξοικείωση των συμμετεχόντων με υπολογιστικές τεχνικές, χρησιμοποιώντας τις γλώσσες προγραμματισμού R και Python για την ανάλυση βιολογικών δεδομένων και την εξαγωγή συμπερασμάτων. Πιο αναλυτικά, στο workshop περιλαμβάνεται ανάλυση της διαφορικής έκφρασης γονιδίων από δεδομένα μεταγραφώματος (transcriptome) ποντικών, συγκρίνοντας φυσιολογικά-υγιή ποντίκια με α) ασθενή ποντίκια που πάσχουν από φλεγμονώδη πολυαρθρίτιδα και δεν λαμβάνουν θεραπεία αλλά και με β) ασθενή ποντίκια που λαμβάνουν φαρμακευτικές παρεμβάσεις anti-TNF παραγόντων. Πραγματοποιείται λειτουργική ανάλυση των γονιδίων (functional analysis) και εντοπισμός των μονοπατιών που ενδεχομένως ρυθμίζουν τα στατιστικώς σημαντικά γονίδια. Ακολουθεί ομαδοποίηση (clustering) των γονιδίων σε συστάδες αποκαλύπτοντας μοτίβα συνέκφρασης (co-expression). Τέλος, χρησιμοποιώντας αλγορίθμους μηχανικής μάθησης (machine learning), γίνεται πρόβλεψη της προέλευσης του κάθε δείγματος. Όλες οι αναλύσεις συνοδεύονται από οπτικοποίηση και ερμηνεία των αποτελεσμάτων.
- Στόχοι
- Εισαγωγή στην R και γνωριμία με το Rstudio.
- Διερευνητική ανάλυση δεδομένων και δημιουργία διαγραμμάτων για την παρουσίαση των αποτελεσμάτων.
- Ανάλυση Διαφορικής Έκφρασης που περιέχει εντοπισμό υπο- και υπερ- εκφραζόμενων γονιδίων με στατιστικά σημαντικές διαφορές.
- Λειτουργική ανάλυση των διαφορικά εκφραζόμενων γονιδίων και εντοπισμός μονοπατιών που ρυθμίζονται από αυτά.
- Ομαδοποίηση γονιδίων με κοινά μοτίβα έκφρασης.
- Ομαδοποίηση φαρμακευτικών παρεμβάσεων ανάλογα τον αντίκτυπο τους στην έκφραση των γονιδίων.
- Εξέταση μεθόδων μείωσης διάστασης των δεδομένων.
- Εξέταση πολλαπλών μεθόδων μηχανικής μάθησης για την ταξινόμηση δειγμάτων (SVM, LDA, Naive Bayes, Deep Learning methods)
- Προαπαιτούμενες γνώσεις
- Δεν υπάρχουν προαπαιτούμενες γνώσεις, ωστόσο προηγούμενο υπόβαθρο στην R ή σε αρχές προγραμματισμού ίσως είναι σημαντικό. Επιπλέον, για τη διεξαγωγή του workshop είναι απαραίτητη η εγκατάσταση της R, του Rstudio και της Python, για τα οποία θα δοθούν αναλυτικές οδηγίες.
- Για το workshop απαιτείται:
- Ο προσωπικός υπολογιστής του κάθε συμμετέχοντα
- Υλικό προετοιμασία που θα σταλεί στους συμμετέχοντες
- Ειδικό λογισμικό που θα χρειαστεί να εγκατασταθεί στους προσωπικούς υπολογιστές των συμμετεχόντων
Περιορισμός έτους: 2ο+ έτος
Μέγιστος Αριθμός Συμμετεχόντων: 20 άτομα
Διάρκεια: 3 ώρες
