伯明翰大学-生物信息学硕士介绍

模块

• 生物学、数学和统计学基础 （20学分）
• 基因组学与下一代测序（20学分）
• 数据分析与统计机器学习（20学分）
• 代谢组学和先进（组学）技术 （20学分）
• 复杂系统的计算生物学 （20学分）
• 跨学科生物信息学小组项目 （20学分）
• 个人项目 （60学分）

生物学、数学和统计学基础 （20学分）

本模块将介绍（或复习）支撑现代生物信息学的基本生物学和定量理论。概念将通过一系列核心问题进行介绍，这些核心问题的细节将在后面的模块中更深入地探讨。

定量主题将包括：

• 线性代数：基本矩阵向量运算，最小二乘法
• 概率论：概率规则、条件概率、贝叶斯法则、分布
• 描述性统计：汇总统计、可视化
• 假设检验：Fisher 精确检验、卡方检验、t 检验
• 相关性和因果关系：参数和非参数测量
• R 编程语言中的统计建模简介：线性模型、估计

此外，该模块将介绍生物学、生物化学和生物技术的基本知识，包括细胞、蛋白质、DNA 和基因，以达到您理解必修模块的水平。

该模块包含各种综合学习环境，包括互动讲座以及解释和反馈评估方面的教程。

在本模块结束时，您将能够：

• 了解基本的数学和统计概念，并应用正确的技术来解决基本数据分析问题
• 正确应用数据的图形表示和可视化技术
• 使用计算机编程语言（特别是 R）执行基本的统计数据分析
• 了解细胞生物学和遗传学的基本概念，例如DNA，RNA和蛋白质的作用以及它们与特定生物信息学问题的关系。
• 解决受现实世界生物信息学启发的定量问题，这些问题需要了解基础生物学并应用正确的数学和统计技术
• 展示就业所需的素质和可转移技能，需要行使主动性和个人责任感，在复杂和不可预测的情况下做出决策，以及持续专业发展所需的独立学习能力

基因组学与下一代测序（20学分）

本模块将向您介绍*组学的各个方面：

• 基因组学
• 转录组学
• 甲基化
• 转录因子分析
• RNA结合蛋白分析
• 染色质可及性分析（例如 DNase-seq、ATAC-seq）
• 染色质结构分析（例如 HiC、ChIA-PET）

该模块将包括对技术进步的介绍：

• 历史：通过阵列技术进行 Sanger 测序
• 二代测序
• 用于专业检测的高级文库构建程序，包括 ChIP、DNase、ATAC、HiC、eCLIP 等

本模块还将讨论经典遗传学、群体遗传学和癌症基因组学的特定领域。它将涉及生物学、技术和分析维度，以帮助您使用适当的数据类型设计最佳实验，并使用最新的技术方法进行分析。

在本模块结束时，您应该能够：

• 了解各种*组学领域的生物学解释，特别是基于DNA，RNA和甲基化。
• 了解可用于测量各种类型信息的各种技术，从 Sanger 测序、微阵列、质谱到下一代测序
• 使用命令行和Web界面（如Galaxy）分析现场生成的各种类型的数据
• 整合各种类型的数据，以了解结果的生物学意义
• 处理可用信息的复杂性，以实现不同数据类型的集成

数据分析与统计机器学习（20学分）

该模块的目的是深入了解数据集成、挖掘和分析的最新技术，并在生物学和生物医学中应用。

该模块涵盖与数据相关的主题：

• 数据类型，
• 数据建模，
• 数据管理，
• 语义表示，
• 集成
• 分析

该模块将包括各种统计技术：

• 频率主义和贝叶斯方法，
• 单因素和多因素分析，
• 具体的统计定义。

此外，它还将介绍建模和优化方法，以处理大型结构化但异构的数据集，并将包括多种技术

• 隐马尔可夫模型，
• 自组织地图，
• 引导和重新取样程序，
• 基于智能体的建模，
• 统计机器学习。

该模块还将提供分析、可视化和集成各种类型数据的方法，并包括对几种广泛使用的基于网络的资源（如 OMIM、TCGA、DAVID、REACTOME）的培训

在本模块结束时，您将能够：

• 展示对组学和临床数据的复杂性及其管理（包括其语义表示）的良好理解
• 展示对执行数据集成、挖掘和分析的深入理解和能力
• 展示对计算、算法和编程的概念理解，使学生能够评估方法并对其进行批评，并在适当的情况下提出新方法
• 处理可用信息的复杂性，以实现不同数据类型的集成
• 在处理和解决问题时表现出自我指导和独创性，以执行适当的建模和优化