Y-sektionens studienämnd är ansvariga för att informationen på guiden är aktuell. Om du hittar någonting som inte stämmer kan du mejla SNY.
Budgetår
Institution
IMTExaminator
Gunnar CedersundSchemablock
HalvterminHT1: block 1
Huvudområden
Medicinsk teknikTeknisk biologi
Nivå
A1XTidsfördelning
6,0HPSchemalagd tid: 0 timmar
Självstudietid: 160 timmar
Innehåll
Det övergripande syftet med kursen är att främja förståelsen av metoder och tillvägagångssätt inom datadriven mekanistisk systembiologi och tillämpa denna förståelse på verkliga problem inom biomedicin. Kursen innehåller
- Egenskaper för icke-linjära dynamiska system: numeriska metoder för simulering, kontinuitet och bifurkationsanalys; attraktionsbassäng, transienter och stationära beteenden.
- Grundläggande begrepp och metoder inom datadriven mekanistisk modellering: bildande av kostnadsfunktioner, optimering, statistiska tester.
- Metoder för osäkerhetsanalys: profile likelihood, coreprediktioner, Markov Chain Monte Carlo.
- Parameteridentifierbarhetsanalys: skillnad mellan strukturell och praktisk identifierbarhet.
- Olika modelleringsformat: ordinära differentialekvationer, algebraiska differentialekvationer, booleska modeller, ickelinjär mixed-effect modellering, stokastiska modeller.
- Flernivåmodeller: platt modellering, modulär modellering.
- Hybridmodellering: grunder inom bioinformatik, AI och maskininlärning för att beräkna risker och generera förändrade bilder och signaler; kombination av statistiska och mekanistiska modeller.
- Användningsområden för modellering och digitala tvillingar: i grundforskning, för läkemedelsutveckling, för ersättning av djurförsök och för kliniska och vardagliga tillämpningar inom E-hälsa.
Mål
Efter avslutad kurs ska studenten kunna:
- Analysera egenskaper hos icke-linjära dynamiska system.
- Formulera modeller för digitala tvillingar inom biomedicin med hjälp av relevanta modelleringsformalismer för tillämpningar inom exempelvis läkemedelsutveckling och klinisk forskning.
- Formulera och lösa optimeringsproblem med hjälp av tillgängliga algoritmer, samt utvärdera överensstämmelsen mellan modell och data.
- Beräkna modellosäkerhet och använda modellprediktioner för experimentell design.
- Kombinera AI och mekanistiska modeller till hybridmodeller som kan beräkna risk.
- Kritiskt granska systembiologiska modeller i vetenskapliga artiklar.
Examinationsmoment
LAB1 - 2,0 HPLaborationer (U, G)
UPG1 - 2,0 HP
Projektuppgift (U, G)
UPG2 - 2,0 HP
Dugga (U, G)
Organisation
Kursen ges på ett flexibelt sätt med förinspelade föreläsningar och interaktiva sessioner med lärare som erbjuds med hänsyn till studenternas tillgänglighet.
Förinspelade föreläsningar, diskussionsforum, laborationer/datorövningar och en individuell projektuppgift.
Litteratur
Övrigt
Vetenskapliga artiklar
Relaterade profiler
E-hälsa
EH - IMT |
Kommentarer
Logga in för att kunna läsa och skriva kommentarer. |