Statusmelding

Emnebeskrivelsen for valgt semester er ikke publisert enda. Her er den siste versjonen vi har tilgjengelig.

KIUA2010 Analyse av store og komplekse datasett i livsvitenskap

    • Emnekode
      KIUA2010
    • Studiepoeng
      10
    • Undervisningssemestre
      2026 Høst
    • Undervisningsspråk
      Norsk
    • Undervisningssted
      Hamar
    • Forkunnskapskrav
      • KIUA2006 Bruk av AI og ML innen biokjemi  
      • KIUA2007 Anvendt bioinformatikk for sekvensdataanalyse
Emnets innhold

Livsvitenskap er vitenskapelige retninger som studerer strukturen, oppbygningen og funksjonen av levende organismer. Livsvitenskap har ofte et spesielt fokus på biologiske prosesser og fenomener som angår som mennesker, dyr, mikroorganismer, og planter. Livsvitenskap er et tverrfaglig forskningsfelt der kompetanse innen ulike disipliner dras veksel på bedre å forstå mennesket, samt det økologiske samspillet mellom oss og naturen. (ref. og mer info: https://snl.no/livsvitenskap).

Livsvitenskap fører til nye løsninger innen helsesektoren (både dyr og mennesker) og verdiskaping og av norsk økonomi som kan utvikle nye innovativprodukter, tjenester og arbeidsplasser.

Big data har blitt en viktig del av mange områder av livsvitenskap. Her er det lagt vekt på bruk av informatikk fordi de fleste oppgavene i biologisk dataanalyse er svært repeterende eller matematisk komplekse. Bruk av data mining er viktig i analyse av data fra sekvensering, bilder fra mikroskoper og annen bildeplattformer, fenotypiske data, kliniske data for informasjonsinnhenting og kunnskapsbygging.

 

Dette kurset fordyper seg i skjæringspunktet mellom kunstig intelligens (AI) og livsvitenskap. Emnet er designet for studenter med bakgrunn fra AI og ML, og tilbyr en innføring i livsvitenskap som setter studentene i stand til å bygge bro mellom disse to disiplinene. Emnet innbefatter følgende tema:

 

  • Introduksjon til de ulike datatypene i livsvitenskap
  • Integrasjon av variable datatyper for nyttig informasjonsgenerering
  • Bruk av AI og ML innen livsvitenskaplige fag områder
  • ML Metoder for genotype-phenotype korrelasjon
  • Metoder for analyse av human klinisk data
  • Computer-aided legemidler og vaksine utvikling
  • Data sikkerhet og personvern i livsvitenskap
  • Eksempler fra pågående prosjekt fra mennesker, dyr og miljø forskning

Læringsutbytte

Ved bestått emne har studenten oppnådd følgende læringsutbytte:

Kunnskap

Studenten har

  • bred kunnskap om grunnleggende begreper i livsvitenskap og kan gi en oversikt over de viktigste metodene og verktøyene som benyttes innen fagfeltet
  • kunnskap om de ulike datatypene i livsvitenskap, fra omics, bilder, fenotypiske, kliniske, osv.
  • kunnskap, på et grunnleggende nivå, om hvordan man setter opp forskjellige ML-systemer ved bruk av eksisterende ML-biblioteker
  • grunnleggende kunnskap om å evaluere resultatene av et ML-system relevant til livsvitenskap data
  • grunnleggende kunnskap om å oppdage og unngå «over-fitting» og  «batch effects»
Ferdigheter

Studenten kan

  • analysere problemer innen livsvitenskap, definere krav til datainnsamling og designe ML-eksperimenter for å teste hypoteser
  • presentere ML-resultater i vitenskapelige rapporter, og identifisere de viktigste funnene
  • forstå de underliggende prosesser og mekanismer til ML-algoritmer, og deres begrensninger, i sammenheng med biologisk dataanalyse
  • benytte teknikker for å integrere ulike datakilder (omics, bilder, fenotypiske, kliniske, osv.) og få helhetlig innsikt i komplekse biologiske systemer
Generell kompetanse

Studenten kan

  • planlegge og gjennomføre data analyser fra ulike datatypene i livsvitenskap (e.g. sekvensering, bilder, klinisk, osv.)
  • stille de riktige biologiske spørsmålene og tolke dataene som er nyttige for end-user
  • formidle sentralt fagstoff skriftlig og muntlig på norsk
  • utøve kritisk tenkning og refleksjoner rundt de muligheter og begrensninger som ligger i fagfeltet
  • diskutere etiske spørsmål rundt data sikkerhet i livsvitenskap, inkludert personvern og ansvarlig forskningspraksis
Arbeids- og undervisningsformer
  • Emnet er gjennomført som en kombinasjon av forelesninger, gruppearbeid, lab øvelser, selvstudium og veiledning.
Obligatoriske aktiviteter
  • gruppepresentasjoner i henhold til undervisningsplanen for emnet
  • deltakelse i undervisning og lab-øvelser i henhold til undervisningsplanen for emnet

Obligatoriske arbeidskrav som er bestått er kun gyldig i 12 måneder. Studenter som ønsker å ta opp eksamener etter 12 måneder, må bestå de obligatoriske arbeidskravene på nytt ved neste ordinære gjennomføring av emnet.

Eksamen
VurderingsordningKarakterskalaGruppe/individuellVarighetHjelpemidlerAndelKommentar
Skriftlig eksamen med muntlig justerende
ECTS - A-F
Gruppe
4 Time(r)
  • Ingen hjelpemidler
100
Eksamen
  • 4 timer individuell skriftlig eksamen med tilsyn
  • muntlig gruppepresentasjon som kan justere karakteren en hel karakter opp eller ned

Ved gruppeeksamen står alle deltakere i gruppen ansvarlig for alt innhold i oppgaven/produktet/prestasjonen.

Oppgaven vurderes med graderte bokstavkarakterer fra A-F, der E er laveste ståkarakter.

Studentene kan velge hvilket språk som benyttes i egen gjennomføring av eksamen. Valg er bokmål, nynorsk eller engelsk.

Emnenavn på engelsk: 
Big Data Analytics in Life Sciences
Fakultet
Fakultet for film, TV og spill
Institutt
Institutt for spillutdanninger - Spillskolen
Fagområde
Matematisk-naturvitenskapelige fag/informatikk
Studieprogram
Bachelor i kunstig intelligens - utvikling og anvendelse
Emnenivå
Videregående emner, nivå II (200-LN)