Data science and biology

Course goals

Leerdoelen
Tijdens deze cursus leer je methoden uit de data science toe te passen op biologische data. Na afloop van de cursus:

• ken je de basis van computerbestanden (onderscheid tekst- en binaire bestanden), bestandssystemen en besturingssystemen en kun je overweg met de command-line-interface;
• ken je de concepten van scripttalen (variabelen, datastructuren, iteraties, expressies, functies) en kun je scripts schrijven in Python en bash om biologische datasets te analyseren;
• kun je verschillende manieren van data-analyse en –visualisatie toepassen en kun je beredeneren welke methode voor een bepaalde dataset en vraag de voorkeur heeft;
• ken je de basis van machine learning, kun je verschillende vormen hiervan toepassen en kun je beoordelen hoe goed een machine-learningmodel is;
• kun je figuren maken die geschikt zijn voor wetenschappelijke publicaties;
• kun je aan de hand van een biologische vraag een eigen computationele pipeline van opeenvolgende analyses opstellen met bijbehorende scripts en deze vraag beantwoorden met behulp van de uitgevoerde analyses;
• kun je uitgevoerde computationele analyses helder en volledig documenteren, zodat de resultaten volledig reproduceerbaar zijn.

                                                                                       
Vaardigheden
Programmeren, data-analyse, datavisualisatie, systematische benadering van problemen, creativiteit en probleemoplossend vermogen, uitvoeren onderzoekscyclus, schriftelijke rapportage in het Engels, geven en ontvangen van feedback, samenwerken.
 

Vaardigheden	Onderdeel van de cursus	Expliciet getoetst?
Schrijven	x	x
Mondeling presenteren	x	x
Omgaan met data	x	x
Praktische onderzoeksvaardigheden
Onderzoeksvaardigheden	x	x
Samenwerken	x	x
Kritisch denken	x	x
Loopbaanoriëntatie	x
Interdisciplinariteit

 

Content

Ingangseisen
De cursus Genomica of vergelijkbare kennis. Daarnaast is basiskennis van statistiek vereist, zoals bijvoorbeeld wordt gegeven in de cursus ‘Biologische modellen en statistiek’ (voormalige cursus ‘Kwantitatieve Biologie’)

Gezien de overlap met de cursus Mathematics and Programming wordt deze cursus MBLS studenten afgeraden. Zij worden verwezen naar de cursus Bioinformatics and Dynamic Modeling (MBLS-207).

Studie-interesserichting
De cursus is een kerncursus in de studie-interesserichting Theoretische biologie en bioinformatica en Toxicologie en is een goede voorbereiding op het masterprogramma Bioinformatics and Biocomplexity. In deze cursus doe je kennis en vaardigheden op omtrent ‘big data’-analyse, die zeer waardevol zijn voor alle studie-interesserichtingen en zullen worden gebruikt in niveau-3-cursussen. De cursus wordt aanbevolen voor de studie-interesserichtingen Celbiologie, Microbiologie, Plantenbiologie en Ontwikkelingsbiologie.

Taal
De leerstof van de cursus (boeken, kennisclips en computerpractica) wordt volledig in het Engels aangeboden. Colleges worden deels in het Nederlands, deels in het Engels verzorgd. Tentamenvragen worden in ieder geval in het Nederlands gesteld en kunnen in het Nederlands of Engels worden beantwoord. Verslagen moeten in het Engels worden geschreven.

Inhoud
Deze tijd wordt gekenmerkt door enorme hoeveelheden beschikbare data. Deze big data geldt zeker ook voor de biologie, nu er door high-throughput DNA-sequencingmethoden enorm veel data wordt gegenereerd van genomen, metagenomen, transcriptomen, epigenomen, en variaties hierop. Ook in andere biologische disciplines zijn grote databestanden niet langer zeldzaam. Denk daarbij bijvoorbeeld aan de soorten en interacties in een ecosysteem, automatisch verkregen microscopieafbeeldingen en de data over ons online gedrag. Uit onderzoek blijkt dat circa 90% van de biologen werkt of binnenkort gaat werken met grote datasets. Om met deze hoeveelheid data om te gaan zijn methoden uit de data science essentieel. In deze cursus leer je de theorie en vaardigheden om nieuwe biologische inzichten te verkrijgen uit grote databestanden.
Allereerst is een andere manier noodzakelijk om met grote databestanden om te gaan, namelijk met behulp van de command-line-interface. Deze interface zul je ook vaak moeten gebruiken voor het uitvoeren van computerprogramma’s op je databestanden. Bovendien is het onmogelijk geworden om handmatig alle bestanden te analyseren en zul je zelf scripts moeten schrijven om de gewenste informatie uit tekstbestanden te verkrijgen. In het eerste jaar heb je al kennis gemaakt met programmeren en deze vaardigheden zullen sterk worden uitgebreid in deze cursus. In dit eerste deel van de cursus leer je om te gaan met de Unix-terminal en leer je hoe je scripts schrijft in Python.
Het tweede deel staat in het teken van het analyseren van numerieke data. De focus zal liggen op hoe je in een enorme tabel met getallen de onderliggende structuren kunt ontdekken en deze helder weet te visualiseren.  Je leert daarbij meerdere methoden van visualisatie en unsupervised machine learning toe te passen op grote datasets, waaronder heatmaps, clustering en principale-componentenanalyse. Daarnaast zal supervised machine learning aan bod komen: hoe kun je op basis van bestaande data voorspellingen doen voor nieuwe datapunten?
Gedurende de cursus werk je aan een groepsproject waarbij je aan de hand van een grote dataset een biologisch vraagstuk aanpakt door zelf een eigen computationele pipeline van opeenvolgende analyses op te zetten met bijbehorende scripts.

Werkvormen
Interactieve online clips, werkcolleges, computeropdrachten, responsiecolleges, groepsopdrachten, gastcolleges, groepsproject.

Toetsing
De cursus is voldoende afgerond als je een voldoende (5,5 of hoger) haalt als eindcijfer. De onderdelen tellen als volgt mee:

• Deeltentamen 1:      31%
• Deeltentamen 2:      31%
• Projectverslag:        31%
• Review verslag:       7%

De precieze weging kan nog veranderen en wordt bekendgemaakt bij aanvang van de cursus. Beide tentamens moeten los met minimaal een 5,0 en samen gemiddeld met ten minste een 5,5 worden afgerond om de cursus te halen. De inspanningsverplichting bestaat uit het bijwonen van de gastcolleges en het actief deelnemen aan de practica.

Studiemateriaal
Aanbevolen:

• Boek: Practical computing for biologists, Steven Haddock en Casey Dunn, 2011, Sinauer Associates, Inc.
• Boek: Fundamentals of data visualization, Claus O. Wilke, 2019, O’Reilly Media, Inc. (online beschikbaar op https://clauswilke.com/dataviz/index.html)
• Boek: Python Data Science Handbook, Jake VanderPlas, 2016, O’Reilly Media, Inc. (online beschikbaar op https://jakevdp.github.io/PythonDataScienceHandbook/)

Overig studiemateriaal zal online worden aangeboden.