Το παρόν υλοποιείται υπό την επιστημονική επιμέλεια των ΠΔΒΜ του ΚΕΔΙΒΙΜ του Παν. Αιγαίου και την ακαδημαϊκή ευθύνη του Εθνικού και Καποδιστριακού Πανεπιστημίου Αθηνών (Τμήμα Φαρμακευτικής), σε συνεργασία με τον Πανελλήνιο Φαρμακευτικό Σύλλογο (ΠΦΣ).
Περιγραφή Προγράμματος
Αντικείμενο & Σκοπός Προγράμματος:
Το πρόγραμμα «Μοντελοποίηση Βιολογικών Συστημάτων» έχει ως αντικείμενο την εισαγωγή και εξοικείωση των συμμετεχόντων με τις αρχές, τις μεθοδολογίες και τα εργαλεία που χρησιμοποιούνται για τη μοντελοποίηση βιολογικών συστημάτων. Εστιάζει τόσο στη θεωρητική προσέγγιση όσο και σε εφαρμοσμένες πρακτικές για τη μελέτη της δυναμικής και της αλληλεπίδρασης βιομορίων, κυττάρων και οργανισμών μέσα από υπολογιστικά μοντέλα και προσομοιώσεις. Το πρόγραμμα καλύπτει θεματικές ενότητες όπως βιολογία συστημάτων, υπολογιστική βιολογία, μοντελοποίηση τρισδιάστατων δομών βιομορίων, προσομοιώσεις μοριακής αλληλεπίδρασης, προσομοιώσεις μοριακής δυναμικής, βιολογικά δίκτυα και θεωρία γράφων, γενετικά δίκτυα, μεταβολικά και σηματοδοτικά μονοπάτια, και εφαρμογές τεχνητής νοημοσύνης στη βιολογία.
Η υλοποίηση του προγράμματος προβλέπει σύγχρονη και ασύγχρονη εξ αποστάσεως εκπαίδευση, με διαλέξεις, πρακτικές ασκήσεις και εφαρμογές, δίνοντας έμφαση στην αξιοποίηση ανοικτού λογισμικού και πραγματικών βιολογικών δεδομένων.
Το πρόγραμμα απευθύνεται σε αποφοίτους ή φοιτητές Θετικών Επιστημών, Ιατρικής, Επιστημών Υγείας, Βιολογίας, Βιοπληροφορικής και συναφών πεδίων, καθώς και σε επαγγελματίες που εργάζονται στον τομέα της έρευνας, της φαρμακοβιομηχανίας ή της βιοτεχνολογίας. Απαραίτητες προϋποθέσεις είναι η εξοικείωση με χρήση υπολογιστή.
Η ανάγκη για συστηματική κατανόηση και πρόβλεψη της λειτουργίας βιολογικών συστημάτων είναι επιτακτική σε πολλούς τομείς του Δημοσίου και του Ιδιωτικού Τομέα, όπως στη βιοϊατρική έρευνα, στον σχεδιασμό φαρμάκων, στην ανάπτυξη βιοτεχνολογικών προϊόντων και στη διαχείριση φυσικών πόρων, καθιστώντας το πρόγραμμα ιδιαίτερα επίκαιρο και ουσιαστικό.
Μαθησιακοί Στόχοι Προγράμματος:
Με την ολοκλήρωση του προγράμματος, ο/η επιμορφούμενος/η θα είναι σε θέση να:
1. Κατανοεί τις θεμελιώδεις αρχές της βιολογίας συστημάτων και τη μοντελοποίηση πολύπλοκων βιολογικών διεργασιών.
2. Αναγνωρίζει τους τύπους μαθηματικών και υπολογιστικών μοντέλων που χρησιμοποιούνται στη βιολογία και τις εφαρμογές τους στην έρευνα και τη βιομηχανία.
3. Έχει γενικότερη εξοικείωση με τη χρήση υπολογιστικών εργαλείων για την ανάκτηση δεδομένων και το σχεδιασμό μίας ολοκληρωμένης πορείας εργασιών μοντελοποίησης βιολογικών συστημάτων.
4. Εφαρμόζει τεχνικές μοντελοποίησης μέσω υπολογιστικών εργαλείων και γλώσσας προγραμματισμού (π.χ. Python, R, MATLAB) για την προσομοίωση και ανάλυση βιολογικών συστημάτων.
5. Κατασκευάζει δυναμικά μοντέλα βιολογικών συστημάτων χρησιμοποιώντας πειραματικά ή δημόσια διαθέσιμα δεδομένα.
6. Ενσωματώνει δεδομένα από διαφορετικά βιολογικά επίπεδα (γονιδιωματική, πρωτομική κ.λπ.) σε συνεκτικά μοντέλα.
7. Ερμηνεύει και να αξιολογεί τα αποτελέσματα των μοντέλων βιολογικών συστημάτων.
8. Εφαρμόζει μεθόδους μηχανικής μάθησης στις προσεγγίσεις μοντελοποίησης για πολύπλοκα βιολογικά ερωτήματα.
9. Συνεργάζεται αποτελεσματικά σε διεπιστημονικές ομάδες και να κοινοποιεί τα αποτελέσματα της μοντελοποίησης τόσο σε επιστημονικό όσο και σε μη εξειδικευμένο κοινό.
10. Παρακολουθεί τις εξελίξεις, αντιλαμβάνεται τις σύγχρονες μεθοδολογίες και να αξιολογεί τα ερευνητικά αποτελέσματα που προκύπτουν στο πεδίο της μοντελοποίησης βιολογικών συστημάτων.
Μεθοδολογία Υλοποίησης:
[Online εξ αποστάσεως]
Χρήση powerpoint στις διαλέξεις
Χρήση Βάσεων Δεδομένων και Εξειδικευμένου Λογισμικού στις Εργαστηριακές Ασκήσεις
Μεθοδολογία αξιολόγησης:
Οι Μέθοδοι Αξιολόγησης περιλαμβάνουν:
• Ενεργή συμμετοχή στις θεωρητικές διαλέξεις και τις εργαστηριακές ασκήσεις.
• Ανάπτυξη και παρουσίαση Τελικής Εργασίας
• Τελική Εξέταση Αξιολόγησης
Για την επιτυχή ολοκλήρωση του προγράμματος και την Απόδοση Πιστοποιητικού Επιμόρφωσης οι συμμετέχοντες θα πρέπει:
• Να έχουν παρακολουθήσει το σύνολο των διδακτικών ενοτήτων. Οι απουσίες δεν μπορούν να υπερβαίνουν το 10 % των προβλεπόμενων ωρών εκπαίδευσης.
• Να έχουν ολοκληρώσει με επιτυχία την τελική εργασία.
• Να έχουν ολοκληρώσει με επιτυχία την τελική εξέταση του προγράμματος. Οι εκπαιδευόμενοι πρέπει να απαντήσουν σωστά τουλάχιστον στο 50% των ερωτήσεων της τελικής εξέτασης, να επιτύχουν δηλαδή βαθμό τουλάχιστον 50, με άριστα το 100.
Ελάχιστα Προσόντα Υποψηφίων:
Δεν υπάρχουν προαπαιτούμενα για τη συμμετοχή στο συγκεκριμένο επιμορφωτικό πρόγραμμα.
Το πρόγραμμα υλοποιείται στο πλαίσιο της πράξης «HEALTH HUB – ΕΚΨΚ για τον μετασχηματισμό του κλάδου της Υγείας και Φαρμάκου με τη χρήση ψηφιακών υπηρεσιών τεχνητής νοημοσύνης» με κωδικό ΟΠΣ 6001682 και συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση μέσω του Προγράμματος Ανταγωνιστικότητα (ΕΣΠΑ 2021-2027).
Curriculum
- 4 Sections
- 12 Lessons
- 40 Hours
- 1. Εισαγωγή στη Βιολογία ΣυστημάτωνΓενική εισαγωγή στη φιλοσοφία της συστημικής προσέγγισης στη βιολογία, ιστορική αναδρομή, και επισκόπηση σύγχρονων εφαρμογών. Παρουσίαση των διακριτών επιπέδων οργάνωσης των βιολογικών συστημάτων (βιομόρια, κύτταρα, οργανισμοί, πληθυσμοί και οικοσυστήματα) με έμφαση στις μεταξύ τους αλληλεξαρτήσεις. Μετάβαση από την ανάλυση μεμονωμένων μορίων σε μια συστημική προσέγγιση που περιλαμβάνει γονιδιακά, μεταβολικά και πρωτεϊνικά δίκτυα. Θεμελιώδεις έννοιες των βιολογικών δικτύων. Οργάνωση βιολογικών δεδομένων και βάσεις δεδομένων. Πρακτική εξάσκηση στη χρήση εργαλείων για την ανάκτηση και οπτικοποίηση βιολογικών δεδομένων.3
- 1.1Επισκόπηση της βιολογίας συστημάτων. Επίπεδα βιολογικής οργάνωσης (βιομόρια, κύτταρα, οργανισμοί, οικοσυστήματα). Από τη μοριακή βιολογία στα δίκτυα και τις συστημικές αλληλεπιδράσεις.
- 1.2Εισαγωγή στα βιολογικά δεδομένα και τις βάσεις δεδομένων
- 1.3Εργαστηριακή Άσκηση: Ανάκτηση και οπτικοποίηση βιολογικών δεδομένων
- 2. Βασικές Αρχές Μοντελοποίησης Βιολογικών ΔεδομένωνΒασικές αρχές και μεθοδολογίες επεξεργασίας και μοντελοποίησης βιολογικών δεδομένων. Θεμελιώδεις έννοιες βιοπληροφορικής, φιλτράρισμα, προτυποποίηση και ενοποίηση δεδομένων, καθώς και βασικές τεχνικές στατιστικής προεπεξεργασίας και εξερεύνησης. Επεξεργασία και ανάλυση αλληλουχιών, δομικών χαρακτηριστικών και λειτουργικών ιδιοτήτων βιομορίων. Βασικές αρχές και εφαρμογές στα δίκτυα βιολογικών συστημάτων. Γενετικά δίκτυα, πρωτεϊνικά δίκτυα και μεταβολικά μονοπάτια.3
- 2.1Τύποι βιολογικών δεδομένων (γενετικά, ομικά, φαινοτυπικά). Έννοιες καθαρότητας, σχολιασμού και ποιότητας. Στατιστική προεπεξεργασία και φιλτράρισμα δεδομένων (καθαρισμός δεδομένων, normalization, missing values, clustering). Από την αλληλουχία στη δομή
- 2.2Εργαστηριακή Άσκηση: Εισαγωγή σε γλώσσες προγραμματισμού για βιολογικά δεδομένα (R, python). Επεξεργασία και ανάλυση αλληλουχιών, δομικών χαρακτηριστικών και λειτουργικών ιδιοτήτων βιομορίων.
- 2.3Εργαστηριακή Άσκηση: Κατασκευή, ανάλυση και οπτικοποίηση δικτύων.
- 3. Μοντελοποίηση Πρωτεϊνών: Δομή, Λειτουργία και Υπολογιστικός Σχεδιασμός ΦαρμάκωνΘεωρητικές και υπολογιστικές προσεγγίσεις για την πρόβλεψη, ανάλυση και απεικόνιση της τρισδιάστατης δομής των πρωτεϊνών. Μέθοδοι ομόλογης μοντελοποίησης, δομικής ευθυγράμμισης, και προσομοίωσης μοριακής δυναμικής. Μεθοδολογίες υπολογιστικού σχεδιασμού φαρμάκων.3
- 3.1Βασικές αρχές πρόβλεψης, ανάλυσης και απεικόνισης της τρισδιάστατης δομής των πρωτεϊνών.
- 3.2Εργαστηριακή Άσκηση: Εφαρμογή μεθοδολογιών ομόλογης μοντελοποίησης. Δομική ευθυγράμμιση και συγκριτική ανάλυση. Μοριακή δυναμική και ευκαμψία πρωτεϊνών. Εισαγωγή σε εργαλεία όπως ΜΟΕ, PyMOL, Chimera και Swiss-Model.
- 3.3Εργαστηριακή Άσκηση: Εφαρμογή υπολογιστικού σχεδιασμού φαρμάκων. Ανίχνευση ενεργών θέσεων & μοριακή αναγνώριση. Δημιουργία και αξιολόγηση πρωτεϊνικών μοντέλων.
- 4. Εφαρμογές Τεχνητής Νοημοσύνης στη Μοντελοποίηση Βιολογικών ΣυστημάτωνΘεμελιώδεις έννοιες στην Τεχνητή Νοημοσύνη (ΑΙ) - κατηγοριοποίηση, πρόβλεψη, κλασικοί αλγόριθμοι. Προσεγγίσεις ΑΙ στην πρόβλεψη βιολογικών συστημάτων και βαθιά μάθηση στη δομική βιοπληροφορική και την κατασκευή δικτύων.Πρόσφατες εφαρμογές ΑΙ στον in silico σχεδιασμό φαρμάκων. Πρακτική εξάσκηση σε εργαλεία και pipelines βασισμένα σε Python, Jupyter notebooks και cloud-based πλατφόρμες.3
- 4.1Εισαγωγή στην Τεχνητή Νοημοσύνη και τη Μηχανική Μάθηση. Θεμελιώδεις έννοιες – κατηγοριοποίηση, πρόβλεψη, κλασικοί αλγόριθμοι. Εκμάθηση από βιολογικά δεδομένα – προκλήσεις & προσεγγίσεις. Εφαρμογές ΑΙ και βαθιά μάθηση στη δομική βιοπληροφορική
- 4.2Εργαστήριο: AI στην ανακάλυψη φαρμάκων – in silico σχεδιασμός (Χρήση τεχνικών CNN, feature extraction από δομές, AlphaFold2)
- 4.3Εργαστήριο: Πειραματισμός με ΑΙ pipelines για πρόβλεψη βιολογικών δομών και δικτύων. Εργαλεία και pipelines βασισμένα σε Python, Jupyter notebooks και cloud-based πλατφόρμες
ΔΩΡΕΑΝ
ΥΠΕΥΘΥΝΟΣ/H ΕΠΙΚΟΙΝΩΝΙΑΣ: ΠΑΠΑΚΩΝΣΤΑΝΤΙΝΟΥ ΕΛΕΝΗ [eleni(at)aua.gr - Τηλ. 6907190301]

