At give de studerende et overblik og en dybdegående forståelse af bioinformatiske machine-learning algoritmer. Gøre den studerende i stand til at evaluere hvilke algoritmer, der er bedst egnede til at svare på et givent biologisk spørgsmål, og dernæst udvikle og implementere forudsigelsesværktøjer med sådanne algoritmer til at beskrive komplekse biologiske problemer relateret til f.eks. immunsystemet, vaccine discovery, genkendelse af sygdoms gener, protein struktur og funktion, post-translational modifications. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Forstå detaljerne i de mest brugte algoritmer i bioinformatics.
• Udvikle computer programmer der implementerer disse algoritmer.
• Vælge den algoritme der er bedst egnet til at beskrive et givent biologisk problem.
• Forstår konceptet data redundance og homology reduktion.
• Udvikle bioinformatiske forudsigelses algoritmer der kan beskrive et givent biologisk problem.
• På et detaljeret niveau, vil den studerende blive i stand til at implementere og udvikle forudsigelsesværktøjer ved at bruge følgende algoritmer: Dynamic programming, Sequence clustering, Weight matrices, Artificial neural networks og Hidden Markov models
• Designe et projekt hvor et biologisk problem er analyseret ved brug af en eller flere machine-learning algoritmer.
• Implementere, dokumentere og præsentere et kursusprojekt.

Kurset dækker de mest brugte algoritmer i bioinformatics. Vægten vil blive lagt på den præcise matematiske implementering af algoritmerne i form af computerprogrammer. I løbet af kurset vil forskellige biologiske problemer blive introduceret og analyseret med det formål at belyse styrker og svagheder ved de forskellige algoritmer. Følgende emner bliver dækket i kurset:

Dynamic programming: Needleman-Wunsch, Smith-Waterman, og alignment heuristics
Data redundancy og homology reduction: Hobohm og andre clustering algoritmer
Weight matrices: Sequence weighting, pseudo count correction for low counts, Gibbs sampling, og Psi-Blast
Hidden Markov Models: Model construction, Viterbi decoding, posterior decoding, og Baum-Welsh HMM learning
Artificial neural networks: Architectures and sequence encoding, feed-forward algorithm, back propagation, and deep neural networks

Kurset består af forelæsninger, diskussioner, computerøvelser hvor de studerende bliver introduceret til de forskellige algoritmer, deres implementation, og brug i analysen af biologiske problemer. Kurset afsluttes med et gruppeprojekt hvor en eller flere af algoritmerne introduceret på kurset anvendes til at analysere et biologisk problem. Projektet skal dokumenteres med en rapport skrevet som en videnskabelig artikel. 04. maj, 2018