Bioinformatik II

Einführung in die hoch-dimensionale Statistik (regularisierte Regression und Klassifikation, probabilistische graphische Modelle, Konzentrationsungleichungen) Analyse und Visualisierung hoch-dimensionaler Daten (multi-dimensionale Skalierung, Hauptkomponentenanalyse, nichtlineare Einbettungsverfahren mit tiefen neuronalen Netzen, tSNE, UMAP) Datengetriebene Rekonstruktion molekularer Interaktionsnetzwerke (Bayes’sche Netze, Lösung Gauß’scher graphischer Modelle, Kausalitätsanalyse) Verdeckte Markov Modelle / HMMs (Vorwärts-Rückwärts Algorithmus, Baum-Welch / EM Algorithmus, Viterbi Algorithmus, profile-HMMs, pair-HMMs für Sequenzabgleich) Markov-Modelle für die Beschreibung biochemischer Reaktionsnetzwerke Elementare Algorithmen zur Protein- und RNA-Faltung (Gleichungen der Molekulardynamik, gängige Simulatoren und Kraftfelder, Algorithmen zur Sekundärstrukturberechnung von RNA Molekülen) Algorithmen zur automatischen Analyse biomolekularer Bilddaten (z.B. Fluoreszenzmikroskopie, Tracking und Segmentierung von Zellen)