Syllabus del corso
Obiettivi
L'insegnamento si propone di presentare le principali metodologie computazionali nell’ambito della Systems Biology, e di fornire le basi concettuali per integrare dati e conoscenze biologiche con strumenti matematici e computazionali, inclusi metodi di intelligenza artificiale. Obiettivo dell'insegnamento è sviluppare le capacità di analisi critica dello studente, illustrando come sia possibile studiare il funzionamento di sistemi biologici complessi tramite approcci multidisciplinari. A tale scopo verranno presentati numerosi esempi basati sull’analisi di reti di interazione proteina-proteina, reti di regolazione genica, vie di trasduzione del segnale, e processi cellulari alla base dell'insorgenza e progressione di patologie multifattoriali.
Conoscenza e capacità di comprensione.
Al termine dell'insegnamento lo studente dovrà sviluppare la capacità di scegliere il metodo matematico/computazionale più adeguato per formalizzare e analizzare un sistema biologico, e di discutere in modo critico i limiti e i vantaggi dei vari approcci di modellazione e analisi di sistemi biologici complessi.
Capacità di applicare conoscenza e comprensione.
Al termine dell'insegnamento lo studente dovrà essere in grado di applicare le conoscenze acquisite per l’analisi di sistemi biologici complessi.
Autonomia di giudizio.
Al termine dell'insegnamento lo studente dovrà essere in grado di elaborare quanto appreso, e saper riconoscere le situazioni e i problemi in cui le diverse metodologie di modellazione e analisi computazionale apprese possano essere utilizzate per lo studio di sistemi biologici complessi.
Abilità comunicative.
Al termine dell'insegnamento lo studente dovrà essere in grado di esprimersi in modo appropriato nella descrizione delle tematiche affrontate, con proprietà di linguaggio e sicurezza di esposizione.
Capacità di apprendimento.
Al termine dell'insegnamento lo studente dovrà essere in grado di consultare la letteratura sugli argomenti trattati, nonché analizzare, applicare, integrare e collegare le conoscenze acquisite con quanto verrà appreso in insegnamenti correlati allo studio di sistemi biologici complessi.
Contenuti sintetici
Introduzione alla modellazione, simulazione e analisi di sistemi biologici complessi.
Introduzione ai principali metodi di intelligenza artificiale e machine learning.
Modelli basati su interazioni.
Modelli logici.
Modelli meccanicistici.
Metodi computazionali per la definizione e l’analisi di modelli meccanicistici.
Il concetto di robustezza nei sistemi biologici.
Programma esteso
Modellazione di sistemi biologici.
Il concetto di sistema complesso. Livelli di complessità nello studio dei sistemi biologici (scala temporale e scala spaziale). Il ciclo iterativo di ricerca (modellazione) in Systems Biology. Definizione di un modello: identificazione della struttura del sistema, livello di astrazione, scopo della modellazione. Dicotomie in Systems Biology. Panoramica della molteplicità degli approcci di modellazione: discussione critica di vantaggi e svantaggi, limiti e punti di forza di ogni approccio.
Metodi di intelligenza artificiale e machine learning.
Disambiguazione della terminologia: quale differenza fra intelligenza artificiale o machine learning? I concetti di feature, addestramento, validazione, test, metriche, overfitting, interpretabilità. Differenze fra metodi di apprendimento supervisionato, non supervisionato e per rinforzo. Applicazioni nella ricerca biomedica.
Modelli basati su interazioni.
Elementi di teoria dei grafi per la definizione dei modelli basati su interazioni. Metodi computazionali basati su grafi per l’analisi di reti biologiche a larga scala: nozioni di degree distribution, clustering coefficient, hub. Proprietà topologiche: caratteristiche e differenze fra reti random, scale-free, gerarchiche; concetti di preferential attachment e modularità nella formazione e struttura di una rete. Il concetto di robustezza strutturale di una rete. Presentazione e discussione critica di modelli basati su interazioni presenti in letteratura (reti di interazione proteina-proteina, reti di regolazione genica, ecc.).
Modelli logici.
Elementi di logica booleana e logica fuzzy. Caratteristiche dei modelli logici e relativi metodi di analisi (attrattori, cicli, dinamica del sistema). Presentazione e discussione critica di modelli logici presenti in letteratura (es. reti di regolazione genica, morte cellulare, ecc.).
Modelli meccanicistici.
Il concetto di sistema dinamico. Definizione e differenze fra modelli deterministici, stocastici e ibridi. Modelli “reaction-based”. Approccio deterministico: definizione di sistemi di equazioni differenziali ordinarie; approssimazioni ed esempi. Metodi di simulazione per modelli deterministici: gli algoritmi di integrazione numerica di Eulero e Runge-Kutta. Sistemi caratterizzati da stiffness, algorimi adattivi. Approccio stocastico: basi fisiche, ipotesi fondamentale e Chemical Master Equation. Il concetto di rumore biologico: rumore intrinseco ed estrinseco. Effetti del rumore biologico: fenomeni di switching e bistabilità. Metodi di simulazione per modelli stocastici: l'algoritmo di simulazione stocastica di Gillespie. Approccio ibrido determistico/stocastico, modelli spaziali. Presentazione e discussione critica di modelli meccanicistici presenti in letteratura (vie di trasduzione del segnale, ciclo cellulare, ecc.).
Metodi computazionali per la definizione e l’analisi di modelli meccanicistici.
Definizione e importanza dei parametri; problematiche computazionali nell’inferenza dei parametri non noti, legate a precisione, ampiezza e sistematicità nella misurazione dei dati biologici. Il concetto di problema di ottimizzazione: introduzione a metodi di computazione evolutiva per la soluzione di problemi di ottimizzazione relativi allo studio dei sistemi biologici. Presentazione e discussione critica dei metodi computazionali per i problemi di parameter sweep analysis, parameter estimation, sensitivity analysis.
Il concetto di robustezza dei sistemi biologici.
Relazione fra robustezza e parametri. Principi organizzativi di sistemi robusti: meccanismi di controllo, meccanismi fail-safe, modularità. Robustezza ed evoluzione: il concetto di architettura bow-tie. Un esempio di sistema complesso robusto (il cancro) e analisi delle problematiche computazionali dovute ai diversi livelli di complessità spaziale/temporale del cancro.
Prerequisiti
Non sono necessarie conoscenze preliminari specifiche di matematica o informatica, tutte le nozioni indispensabili per la comprensione degli argomenti trattati durante l'insegnamento verranno spiegate di volta in volta.
Sono invece richieste una forte curiosità e apertura mentale nello scoprire e studiare la biologia sotto una prospettiva innovativa, così come la volontà a partecipare attivamente alle lezioni, e a creare un ambiente collaborativo e di discussione critica con il docente e i propri compagni.
Propedeuticità. Nessuna.
Modalità didattica
Lezioni frontali in aula (5 CFU).
18 lezioni frontali da 2 ore costituite da:
– una parte in modalità erogativa (didattica erogativa, DE) focalizzata sulla presentazione-illustrazione di contenuti, concetti, principi scientifici;
– una parte in modalità interattiva (didattica interattiva, DI), che prevede interventi didattici integrativi, brevi interventi effettuati dai corsisti, dimostrazioni aggiuntive di applicazioni pratiche dei contenuti della parte erogativa, casi di studio, esercizi applicativi della teoria.
Tutte le attività sono svolte in presenza.
Esercitazioni in aula (1 CFU).
10 ore di attività di esercitazione costituite da:
– lavoro di gruppo in aula sulla modellazione di sistemi biologici;
– utilizzo di software specifico per applicazioni di Systems Biology.
Tutte le attività sono svolte in presenza, in modalità interattiva.
Tutorato disciplinare (6 ore).
– 3 seminari da 2 ore per approfondimento di specifiche tematiche del programma dell’insegnamento (ad es. intelligenza artificiale).
L'insegnamento verrà tenuto in lingua inglese se ne farà richiesta almeno il 10% degli studenti frequentanti.
Materiale didattico
Slide e videoregistrazione delle lezioni e delle esercitazioni reperibili sulla pagina e-learning dell'insegnamento.
Testi consigliati:
– E. Klipp, W. Liebermeister, C. Wierling, A. Kowald. Systems Biology: A Textbook. 2nd Ed. Wiley, 2016.
– E.O. Voit. A first course in Systems Biology. Garland Science, 2017.
Periodo di erogazione dell'insegnamento
Primo semestre.
Modalità di verifica del profitto e valutazione
Esame finale scritto, con orale facoltativo (su richiesta dello studente):
– prova scritta obbligatoria della durata di 3 ore, costituita da 3 domande aperte (saggi brevi per esposizione di argomenti trattati a lezione), al fine di valutare le capacità di comprensione, riflessione autonoma e comunicazione dello studente;
– prova orale facoltativa della durata di circa 30 minuti per la presentazione e discussione critica di un articolo di ricerca di Computational Systems Biology (approfondimento di argomento non trattato a lezione).
Non saranno svolte prove in itinere.
Orario di ricevimento
Ricevimento su appuntamento previa richiesta via e-mail al docente.
Sustainable Development Goals
Aims
The course will present the main modeling frameworks and computational methodologies in the field of Systems Biology, and provide the necessary theoretical basis to integrate the biological knowledge with mathematical and informatics methods, including artificial intelligence algorithms. The main goal of the course consists in developing the critical capability of the student to understand the application of multidisciplinary approaches in Biology. Several examples taken from the literature will be presented for the investigation of protein-protein interation networks, gene regulatory networks, signal transduction pathways, as well as cellular processes linked to the onset and progression of multifactorial diseases.
Knowledge and understanding.
The student will gain knowledge about the critical and logical capability to choose the proper modeling approach for any kind of complex biological system under investigation, and to critically discuss the limits and advantages of each modeling approach and computational method.
Applying knowledge and understanding.
The student will be able to apply the knowledge previously listed for the analysis of complex biological systems.
Making judgements.
The student will be able to process the acquired knowledge and choose the proper modeling/computational methods for the analysis of complex biological systems.
Communication skills.
Use of an appropriate scientific vocabulary and ability in oral/written reports.
Learning skills.
Skills in literature reading and understanding, as well as in the elaboration, analysis, and application of the acquired knowledge in other courses related to the study of complex biological systems.
Contents
Introduction to modeling, simulation, and analysis of complex biological systems.
Introduction to artificial intelligence and machine learning.
Interaction-based models.
Logic-based models.
Mechanism-based models.
Computational methods for the simulation and analysis of mechanism-based models.
The concept of robustness of biological systems.
Detailed program
Introduction to modeling, simulation, and analysis of complex biological systems.
The notion of complex system. Temporal and spatial complexity scales for the analysis of biological systems. General guidelines for the selection of the modeling approach. The iterative cycle of data-driven model definition, simulation, and analysis in Systems Biology. Basic notions for model definition: system structure, level of abstraction, the goal of modeling. Dichotomies in Systems Biology. Overview of modeling approaches: critical discussion about limits and strengths of each modeling framework. Introduction to the main modeling approaches in Systems Biology: interaction-based models, logic-based models, constraint-based models, mechanism-based models.
Artificial intelligence and machine learning.
Disambiguation: is there any difference between artificial intelligence and machine learning? The concepts of feature, training, validation, test, metrics, overfitting, interpretability. Comparison among supervised, unsupervised and reinforcement learning methods. Applications in biomedical research.
Interaction-based models.
Basic notions of graph theory. Graph-based computational methods for the analysis of large-scale biological networks: the concepts of degree distribution, clustering coefficient, hub. Topological features of biological networks: differences among random, scale-free and hierarchical networks. The concepts of preferential attachment and modularity in the development of biological networks. Topological robustness of biological networks. Discussion about published interaction-based models (gene regulatory networks, protein-protein interaction networks, etc.).
Logic-based models.
Basic notions of Boolean and fuzzy logic. Main features and analysis methods of logic-based models (attractors, cycles, system dynamics). Discussion about published logic-based models (gene regulatory networks, cell death models, etc.).
Mechanism-based models.
The notion of dynamical systems. Definition and differences between deterministic, stochastic and hybrid approaches. Reaction-based models. Deterministic approach: systems of ordinary differential equations. Simulation methods for deterministic models: Eulero and Runge-Kutta numerical integrators. Stiff systems and adaptive algorithms. Stochastic approach: physical background, fundamental hypothesis, Chemical Master Equation. The concept of biological noise: intrinsic and extrinsic noise. Effects of biological noise: switching and bistability. Simulation methods for stochastic models: Gillespie’s stochastic simulation algorithm. Hybrid and spatial models. Discussion about published mechanism-based models (signal transduction pathways, cell cycle, etc.).
Computational methods for the simulation and analysis of mechanism-based models.
Definition and importance of model parameters. Computational problems related to data measurements. The notion of optimization problem. Introduction to evolutionary computation methods for the solution of optimization problems related to biological systems. Computational methods for parameter sweep analysis, parameter estimation, sensitivity analysis.
The concept of robustness of biological systems.
Relationships between robustness and parameters. Principles of robust systems: control mechanism, fail-safe mechanism, modularity. Robustness and evolution: the concept of bow-tie architecture. An example of a robust complex biological system (cancer) and discussion about the computational challenges in the study of cancer.
Prerequisites
No particular background in mathematics or computer science is required to attend the course: all preliminary concepts will be explained to understand the topics presented in each lecture.
A strong curiosity and open-mindedness in learning and studying Biology from an innovative perspective are essential, as well as the willingness to actively participate during lectures and to critically discuss the course topics with both the professor and classmates.
Prerequisites. None.
Teaching form
Classroom lectures (5 ECTS).
18 lectures (2 hours/lecture) composed by:
– a section of delivered didactics (Didattica Erogativa, DE) focused on the presentation-illustration of contents by the lecturer;
– a section of interactive teaching (Didattica Interattiva, DI) including teaching interventions supplementary to delivered didactic activities, short interventions by trainees, demonstrations, practical applications, case studies.
Didactic activities are conveyed by means of face-to-face lectures.
Tutorial activities (1 ETCS).
– 10 hours of classroom teamwork on modeling of biological systems and hands-on sessions on pc for the use of Systems Biology software.
Tutorial activities are delivered by interactive teaching (Didattica Interattiva, DI) through in-person tutorials.
Seminar activity (6 hours).
– 3 seminars (2 hours/seminar) for in-depth analysis of specific topics (e.g. artificial intelligence).
Teaching language: English, upon request by at least 10% of attending students.
Textbook and teaching resource
Slides and videorecordings. All educational material will be available at the e-learning platform of the course.
Textbooks.
– E. Klipp, W. Liebermeister, C. Wierling, A. Kowald. Systems Biology: A Textbook. 2nd Ed. Wiley, 2016.
– E.O. Voit. A first course in Systems Biology. Garland Science, 2017.
Semester
First semester.
Assessment method
– Written examination (3 hours) consisting in 3 open questions (brief assays) concerning any topic of the program, aimed at assessing the understanding, making judgements and communication skills of the student.
– Non-mandatory oral examination (around 30 minutes) consisting in a seminar (slide presentation + critical discussion) about a published research paper in Computational Systems Biology.
No mid-terms exams will be scheduled.
Office hours
Contact: on demand by email request to the lecturer.
Sustainable Development Goals
Staff
-
Daniela Besozzi
-
Daniele Maria Papetti
