ОБУЧЕНИЕ

Примерный список тем:

1. What is bioinformatics and systems biology. Historical background. Areas of bioinformatics. Bioinformatics in the AI era
2. Sequencing technologies. Research applications working in Linux
3. Genomic data processing

Курс направлен на изучение теоретических основ статистических методов и их применение на практике, в том числе в биоинформатике.

Примерный список тем:

1. Introduction to statistics: variable types, basic distributions and hypotheses examples
2. Calculating data statistics: central and variance tendency measures, correlation
3. Data visualization: distribution visualization techniques, multidimensional data, heatmaps, Venn diagrams
4. Data visualization practice: visualizing experiment data, explanatory data analysis (EDA)
5. Testing mean equality one-sample hypotheses with simulations
6. Testing goodness of fit hypothesis with simulations
7. Testing independency hypothesis with simulations
8. Sampling methods, sources of bias
9. Distributions: Bernoulli, binomial, geometrical, uniform, normal, exponential, Poisson
10. Types of errors and power of tests
11. Multiple comparisons problem
12. Regression analysis: linear regression using least squares

Углубленные темы (примерный список):

1. Sample, estimates. Descriptive statistics. Unbiased estimator, consistent estimator. Distribution of empirical E, D.
2. MLE, method of moments. Confidence intervals.
3. One-sample hypothesis testing: one-tailed/two-tailed alternatives.
4. One-sample hypothesis testing: parametric/non-parametric criteria.
5. Two-sample hypothesis testing. Correlation coefficients.
6. Linear regression, ANOVA.
7. Multiple hypothesis testing: correction methods, FDR.

Курс познакомит вас с основными понятиями булевой логики, комбинаторики, динамического программирования и алгоритмов на графах, которые являются базой для решения многих биоинформатических задач.

Примерный список тем:

1. Introduction to set theory: definitions, set operations and properties
2. Boolean functions, boolean logic and proof methods
3. Combinatorics: combinations, permutations, pigeonhole principle
4. Combinatorial generation
5. Asymptotic analysis of algorithms
6. Sorting algorithms
7. Dynamic programming: definitions, subtask optimization, basic problems
8. Dynamic programming in bioinformatics: local and global alignments
9. Dynamic programming: RNA's secondary structure prediction
10. Graph theory: definitions, DFS, BFS
11. Graph theory: algorithms, de Bruijn graph

В курсе изучаются базовые алгоритмы и структуры данных, которые требуются для понимания более сложных специализированных алгоритмов в биоинформатике.

Примерный список тем:

1. Complexity
2. Sorting and Binary Search
3. DigitSort and Stacks
4. Queues, Dequeue, Heap, Amortized time
5. Vector continuation, BST, AVL, Treap
6. Treap and Treap with hidden keys
7. Dynamic Programming.
8. String Hashes
9. Depth-First Search
10. Eulerian cycle, Breadth-First Search, Dijkstra
11. Ford-Bellman, Floyd

Курс посвящен изучению Python с нуля. При этом, по ходу курса вы сразу начнете применять знания для решения простых биоинформатических задач.

Примерный список тем:

1. Python Basics. Numbers. Strings. Boolean Type. Variables and rules for naming variables. Arithmetic Operators. Comparison operators. Logical operators.
2. Control Flow. Indentation.
3. Data structures. List. Set. Dictionary. Tuple.
4. Functions.
5. Functional programming.
6. Call stack. Namespace.
7. Modules, Files.
8. Python Classes. Attributes, methods. Instantiation. self parameter. Underscores.
9. Inheritance. Parent class and Child class. Subclass attributes. Multiple inheritance. Method Resolution Order (MRO).
10. Iterators. Generators. Errors. Exceptions.

Курс направлен на изучение базовых принципов строения и функционирования биомолекул, а также их роли в хранении и реализации генетической информации.

Примерный список тем:

1. Cell structure and cell processes. Cell division. Mitosis and meiosis. Cell cycle.
   
2. Molecular basis of genetics and inheritance. Central dogma of molecular biology. DNA and RNA functions.
   
3. DNA replication. Replication processes in prokaryotes and eukaryotes. Transcription and translation. RNA splicing and processing. DNA damage and mutations. DNA repair.
   
4. Definitions of the gene. Mendel's principles of heredity. The chromosome theory of inheritance. Gene regulation in prokaryotes and eukaryotes.
   
5. Genome structure and organization. Chromosome organization. Genome rearrangements.
   
6. Genetic diversity. Sources of genetic diversity. Inbreeding and mutational load.
   

Курс посвящен изучению основ высшей математики и разбору типовых задач математического анализа.

Дисциплина формирует ИИ-мышление и навыки использования искусственного интеллекта как инструмента когнитивного усиления в исследовательской и профессиональной деятельности. Основной фокус — продвинутый анализ для принятия решений: работа с открытыми источниками данных, автоматизация аналитических отчетов, поиск инсайтов в неструктурированных данных (тексты, документы, отчеты) средствами ИИ. Курс объединяет принципы промпт-инжиниринга, культуру работы с данными и проектирование агентных систем, обеспечивая переход от интуитивного использования чат-ботов к осознанному управлению алгоритмами: механике контекста, верификации результатов и этике внедрения технологий. Студент выступает архитектором решений, декомпозируя задачи в алгоритмические цепочки и организуя ИИ-агентов для их выполнения. Итогом освоения становится собственный цифровой продукт, агент или исследование, подтверждающие способность эффективно решать сложные аналитические задачи в тандеме с искусственным интеллектом.

Навыки критического мышления/ Critical Thinking Skills (advanced)
Курс направлен на овладение важными навыками критического мышления с учётом их применения в научно-образовательных, а также конфликтных ситуациях. Вы узнаете, как оценить актуальность информации, как построить убедительную аргументацию, как обнаружить ошибки в рассуждениях, как их избежать и т.д.

Создание технологического бизнеса/ High Tech Business Creation
В рамках курсы вы сможете попробовать себя в роли предпринимателя, создать и развить междисциплинарный бизнес-проект. Основные задачи курса – изучение особенностей разработки высокотехнологичного проекта и оценка готовности его к коммерциализации в реальном секторе экономики.

Основы концептуального мышления/ Introduction to Conceptual Thinking
Курс о базовых принципах анализа, генерации идей, креативных процессах, структурировании информации и построении систем, дающий знания для создания прорывных и инновационных проектов в разных областях науки и бизнеса.

Углубленный курс английского языка. Вы изучите основы межкультурного общения в научном мире, вооружитесь новыми теоретическими знаниями, улучшите и разовьете навыки письма и разговорной речи, а также научитесь критическому письму, чтению и мышлению.

Вы научитесь проводить полноценное научное исследование в области биоинформатики и системной биологии индивидуально или в команде. Результатом станет семестровый отчет и промежуточная защита.

Курс раскрывает вопросы работы с геномными данными человека: как с точки зрения полногеномного поиска ассоциаций, так и с точки зрения интерпретации экзомных данных.

Примерный список тем:

1. Where it all started. Solving a mystery of inheritance. Mendel and post-Mendel era
   
2. Pre-genome era. Mapping of the first human disease gene. Huntingnton's disease.
   
3. RFPL, microsatellite and genetic linkage. Pedigree and linkage analysis. DNA forensics.
   
4. Human Genome Project. SNP map of the human genome. DNA variation.
   
5. Linkage disequilibrium and genome-wide association studies. HapMap project.
   
6. GWAS concepts and approaches.
   
7. Hands on GWAS tutorial.
   
8. GWAS discussion and resources. Polygenic risk scores. UK biobank.
   
9. Next generation sequencing. Exome sequencing.
   
10. GATK pipeline.
    
11. Variant annotations, selection pressure metrics. Large scale sequencing resources.
    
12. Rare variant association studies
    
13. Hands-on analysis of exome sequencing data.
    
14. Cancer genetics. TCGA project.
    
15. Case-control matching challenge.
    

Примерный список тем:

1. Central dogma of molecular biology, structure of gene, types of RNA, structure of RNA, transcription, reverse transcription, FACS
2. RNA-seq: alignment, quantification, QC, normalization, basic analysis
3. Overall quality control: PCA, clustering, outlier detection, batch correction
4. Differential expression (DE), Deseq2 for RNA-seq
5. Downstream analysis: pathway/gene set enrichment analysis
6. Transcriptome assembly, functional annotation
7. Single-cell transcriptomics
8. Spatial transcriptomics
9. Visual data exploration: Phantasus, JBR genome browser
10. Experimental design of gene expression study

Курс состоит из нескольких тематических модулей. Вы научитесь анализировать данные в онкогенетике, а также разберете использование протеомных и/или эпигенетических данных для изучения биологических процессов.

В курсе рассматриваются алгоритмы и структуры данных, которые используются для решения как классических, так и современных задач биоинформатики.

Примерный список тем:

1. Sequence alignment
2. Genome assembly
3. Hidden Markov Models
4. Phylogeny reconstruction
5. Genome rearrangements
6. Active module problem
7. Algorithms for gene set enrichment analysis
8. Privacy-preserving genome-wide association studies
9. Reconstruction of evolutionary histories
10. Reconstruction of gene regulatory networks

На этом курсе вы продолжите изучать Python. Научитесь применять различные open-source библиотеки для анализа данных, а также с помощью Python решать более сложные биоинформатические задачи.

Примерный список тем:

1. Basic text processing with python. Regular expressions
   
2. Code organization. Error handling and debugging
   
3. Exploratory data analysis with python. Data manipulation packages
   
4. Visual data analysis with python. Data visualization packages
   
5. Functional programming with python. Method oriented programming. Functional programming paradigm. Inerating over objects. Iterators in python. Working with infinite objects. Generators in python. Python functional possibilities.
   
6. Biological data processing with python. Biopython and Scanpy
   
7. Scientific project organization. Virtualization, Pipelines and Web applications. Docker. Introduction to pipeline development using Snakemake
   
8. Machine learning possibilities in python. Advanced tools for data processing. Introduction to neural networks with python.
   

Углубленный курс английского языка. Вы изучите основы межкультурного общения в научном мире, вооружитесь новыми теоретическими знаниями, улучшите и разовьете навыки письма и разговорной речи, а также научитесь критическому письму, чтению и мышлению.

Вы научитесь проводить полноценное научное исследование в области биоинформатики и системной биологии индивидуально или в команде. Результатом станет семестровый отчет и публичная защита проекта. Возможна публикация результатов в научном журнале.

Курс включает в себя изучение основ структурной биологии, знакомство с основными методами молекулярного моделирования, а также с базовыми концепциями компьютерного дизайна лекарственных средств.

Примерный список тем:

1. Defining bioinformatics and structural bioinformatics.
   
2. Fundamentals of macromolecular organization and structure. Hierarchical levels of protein organization. Protein 3D structure. Protein Domains. Protein Folds.
   
3. Analysis of macromolecule. Sequence and structural alignment. Amino acid substitutions, amino acid replacement matrices. Quality of protein structures, Torsion angles and Ramachadran plot. Function from structure: Structure-function relationship and analysis.
   
4. Prediction and modeling of macromolecules. Homology and similarity of proteins, quality assessments of homology models. Molecular dynamics and docking, Monte Carlo simulations. Protein folding and energetics.
   
5. Experimental approaches in structural biology: Determination of macromolecular structures. X-ray crystallography. Nuclear Magnetic Resonance. Cryo-electron microscopy. Hydrogen-deuterium exchange.
   
6. Protein databases. The Protein Databank (PDB), UniProtKB, InterPro, HMMER, PDBe, EMDB, EMPIAR, IntAct, Complex Portal, Reactome.
   
7. Computer-aided drug design: approaches and methods. Structure-based drug design. Ligand-based drug design. De novo design.
   
8. Basics of molecular modeling. Preparation of protein structure. Molecular docking, molecular dynamics.
   

Курс направлен на изучение современных методов работы с геномными данными, позволяющих изучать особенности структуры и эволюции различных организмов.

Примерный список тем:

1. Introduction to population genetics. Hardy-Weinberg equilibrium
2. Driving forces of microevolution. Mutations and gene flow
3. Analysis of gene flow and admixture in natural populations
4. Genetic drift: models and consequences
5. The coalescent theory and its application to population history analysis
6. Natural selection and its impact on genetic variation
7. Searching for positive and negative selection in sequence data
8. Comparative genomics

Курс позволяет приобрести основные навыки системно-биологического анализа микробных сообществ и развить понимание методов для изучения этих данных. Делится на два модуля: молекулярная филогенетика и метагеномика.

Примерный список тем:

Part 1. Molecular Phylogenetics

1. Introduction. Tree representation.
2. Multiple sequence alignment, databases. Eutils, Biopython.
3. Distance methods.
4. Maximum Likelihood
5. Bayesian methods.

Part 2. Metagenomics

1. Introduction. Communities, sampling, history, etc.
2. 16S analysis. From reads to ASV table.
3. Analysis of communities: diversity, indices, differential abundance.
4. WGS, shotgun metagenomiсs. Assembly, binning.
5. Taxonomic composition, k-mer analysis (Kraken, mash, etc).
6. Practice on real data.

Курс направлен на изучение принципов работы алгоритмов машинного обучения. В рамках курса вы познакомитесь с математическими основами работы алгоритмов обучения с учителем, обучения без учителя и алгоритмов глубокого обучения.

Примерный список тем:

1. Introduction to Machine Learning
   
2. Non-parametric Models. Nadaraya-Watson kernel regression.
   
3. Linear Models. Gradient Algorithms.
   
4. Support Vector Machine. Karush-Kuhn-Tucker Condition
   
5. Probabilistic Classifiers
   
6. Trees and Ensembles. Boosting algorithms
   
7. Neural Networks
   
8. Optimization algorithms for Neural Networks
   
9. Convolutional Neural Networks
   
10. Recurrent Neural Network
    
11. Dimensionality reduction
    
12. Label Irregularity
    
13. Clustering
    
14. Generative Models
    
15. Best Practices in ML
    

Начало работы над индивидуальным дипломным проектом в области биоинформатики и системной биологии. Результатом станет семестровый отчет и промежуточная защита.

Продолжение работы над научно-исследовательским проектом в области биоинформатики и системной биологии. Три этапа предзащиты: январь, апрель, май; финальная защита — июнь. После защиты многие результаты публикуются в научных журналах.