دست یابی به نانوکاتالیست ارزان قیمت از پوست برنج

ایجاد نانوساختار هایی از DNA با استفاده از ابرساختارهای گره خورده

معرفی دوره ی دکتری بیوانفورماتیک-PhD of Bioinformatics

دکترای بیوانفورماتیک

University of Tehran, Kish International Campus

معرفی

بیوانفورماتیک علم بین رشته ای در رابط های علوم بیولوژیکی، اطلاعاتی و محاسباتی است و از محاسبات برای درک بهتر زیست شناسی استفاده می کند. بیوانفورماتیک شامل تجزیه و تحلیل داده های زیستی، به ویژه DNA، RNA، و توالی پروتئین است. زمینه بیوانفورماتیک با رشد انفجاری در اواسط دهه ۱۹۹۰ به وجود آمد که عمدتا توسط پروژه ژنوم انسان و با پیشرفت های سریع در تکنولوژی توالی DNA انجام شد. فن آوری های اخیر و نوین تولید مجموعه داده های بیولوژیکی از وضوح در حال افزایش است که نشان می دهد نه تنها توالی ژنومی، بلکه RNA و فراوانی پروتئین، تعاملات آنها با یکدیگر، محلی سازی سلولیت آنها، و هویت و فراوانی دیگر مولکول های بیولوژیکی. این نیاز به توسعه و استفاده از روش های محاسباتی پیچیده است. بیوانفورماتیک با استفاده از رویکردهای محاسباتی برای تجزیه و تحلیل الگوهای در داده های بیولوژیکی و ایجاد مدل های پیچیده فعالیت بیولوژیکی، از جمله تلاش برای توضیح عملکرد ژن ها و تعاملات آنها در Pathways ژنتیکی. مزایای اجتماعی فراوانی از بهره برداری از ثروت دانش جدید در مورد مکانیزم های ژنتیکی زندگی و فرآیندهای مرتبط انتظار می رود.

تجزیه و تحلیل در بیوانفورماتیک عمدتا تمرکز بر سه نوع مجموعه داده های بزرگ موجود در زیست شناسی مولکولی: ساختارهای ماکرومولکولی، توالی ژنوم و نتایج آزمایش های ژنومیک عملکردی (به عنوان مثال داده های بیان). اطلاعات اضافی شامل متن مقالات علمی و “اطلاعات ارتباط” از متابولیسم Pathways ، درختان طبقه بندی و شبکه های متقابل پروتئین-پروتئین است. بیوانفورماتیک با استفاده از طیف گسترده ای از تکنیک های محاسباتی از جمله ترتیب توالی و ساختار، طراحی پایگاه داده و داده کاوی، هندسه ماکرومولکولی، ساخت درخت فیلوژنتیک، پیش بینی ساختار و عملکرد پروتئین، پیدا کردن ژن و خوشه بندی داده های بیان. تاکید بر رویکردها در یکپارچگی انواع روشهای محاسباتی و منابع داده ناهمگن است.

هدف اصلی برنامه دکترا در بیوانفورماتیک در دانشگاه بین المللی کیش، آموزش نسل بعدی زیست شناسان محاسباتی برای حرفه های دانشگاهی، صنعت و دولت است.

برنامه درسی دکترای

دکتری بیوانفورماتیک نیاز به تکمیل ۳۲ اعتبار، مجموعه ای از دوره های اصلی (۹ اعتبار)، یک سمینار (۱ اعتبار) و ۸ واحد از دوره های انتخابی و یک پایان نامه دکترای (۱۸ اعتبار). تاکید اصلی برنامه بر تکمیل موفقیت آمیز یک پروژه پژوهشی اصلی و مستقل است که نوشته شده و به عنوان پایان نامه دفاع شده است.

آزمون جامع

آزمون جامع باید در پایان ترم چهارم بیشتر شود و قبل از اینکه دانش آموز بتواند از پیشنهاد دکترا دفاع کند لازم است. دانش آموزان دو شانس برای امتحان جامع دکترا را دارند. اگر دانش آموزان در اولین آزمون جامع امتحان خود را ارزیابی “ناراضی” بدست آورند، ممکن است دانش آموز یک بار این معیار را بازنویسی کند. شکست دوم باعث خاتمه برنامه می شود. آزمون جامع برای حصول اطمینان از این که دانش آموز در حال بدست آوردن تجربه تحقیق است، طراحی شده است. همچنین تضمین می کند که دانش آموز توانایی تحقیق در سطح دکترا را دارد.

پیشنهاد دکترا

پیشنهاد دکترا باید شامل اهداف خاص، طراحی تحقیق و روش ها، و پیشنهاد کار و زمان بندی باشد. علاوه بر این، پیشنهاد همچنین باید یک کتابشناسی و به عنوان ضمیمه، هر گونه نشریات / مواد تکمیلی. دانش آموزان باید از پیشنهاد پایان نامه خود به امتحان شفاهی خود در کمیته خود دفاع کنند.

پایان نامه

دانش آموز باید در طول سال اول تحصیل در برنامه دکترا، که توسط کمیته دانشکده تصویب شده، یک مشاور پایان نامه (و یک یا دو مشاور مشاوره در صورت لزوم) را انتخاب کند. در سال دوم، کمیته پایان نامه توصیه شده توسط مشاور در کنار پیشنهاد دکترا باید برای تصویب تحویل داده شود. کمیته پایان نامه باید شامل حداقل پنج عضو هیات علمی باشد. دو نفر از اعضای کمیته پایان نامه باید از دانشگاه های دیگر در سطح دانشیار باشند. نه بعد از پایان ترم ۵، یک دانشجو باید برای ارائه و دفاع از یک پیشنهاد دکترای کتبی ارائه کند.

پیشرفت پژوهش

پیش بینی می شود یک دانش آموز حداقل یک بار در سال با کمیته پایان نامه خود برای بررسی پیشرفت تحقیق ملاقات کند. در ابتدای هر سال تقویم دانشگاه، هر دانش آموز و مشاور دانش آموز، باید ارزیابی ارزیابی پیشرفت تحصیلی خود را با در نظر گرفتن دستاوردهای سال گذشته و برنامه های سال جاری ارائه دهند. کمیته پایان نامه این خلاصه ها را بررسی می کند و نامه دانشجویی را که وضعیت آنها را در برنامه خلاصه می کند ارسال می کند. انتظار می رود که دانش آموزانی که به پیشرفت رضایت بخش رسیده اند، هرگونه نقص را اصلاح کنند و طی یک سال به نقطه عطف بعدی برسند. عدم انجام این کار منجر به اخراج از برنامه خواهد شد.

انتشارات دکترا

ظرف ۴ سال پس از ورود به برنامه دکترا، دانش آموز انتظار دارد که پایان نامه تحقیق را تکمیل کند؛ دانش آموز باید نتایج تحقیق را که در مجلات مورد بررسی بررسی شده یا منتشر شده باشد، داشته باشد. پس از ارائه پایان نامه و دفاع عمومی و تصویب کمیته، دانشجوی دکترا دریافت می شود. دفاع از (۱) ارائه پایان نامه توسط دانشجوی کارشناسی ارشد، (۲) سوال توسط مخاطب عمومی، و (۳) پرسش های بسته شده توسط کمیته پایان نامه شامل خواهد شد. دانش آموز از پایان امتحان در تکمیل تمام سه بخش دفاعیه مطلع خواهد شد. تمام اعضای کمیته باید گزارش نهایی کمیته دکترا و نسخه نهایی این پایان نامه را امضا کنند.

برای حداقل فارغ التحصیلی باید حداکثر GPA 16 تا ۲۰ را داشته باشید.

دوره های مقدماتی (به درجه اعمال نمی شود)

PhD در بیوانفورماتیک مدرک کارشناسی ارشد در زمینه های مرتبط را دریافت می کند. با این حال، دانش آموزان دارای مدرک فوق لیسانس علاوه بر این، باید تعدادی از دوره های آموزشی سطح بندی زیر را که برای ایجاد پس زمینه برای دوره های دکترا طراحی شده اند، تکمیل کنند. این دوره های تسطیح برای اعتبار فارغ التحصیلان به سمت دکترا در بیوانفورماتیک حساب نمی شود.

دوره های تراز: حداکثر ۳ دوره مورد نیاز؛ ۶ اعتبار

دوره های اصلی: ۴ دوره مورد نیاز؛ ۱۰ اعتبار

دوره های انتخابی: ۴ دوره مورد نیاز، ۸ واحد

توصیفات دوره

بیوانفورماتیک پیشرفته

محتوای دوره:
مقدمه ای بر بیوانفورماتیک، مقدمه ای بر زیست شناسی مولکولی، پایگاه های داده های زیستی، دنباله های زیستی پردازش با MATLAB، هماهنگی پیوندی، همبستگی های پروتئین، ترتیب چندگانه، ابزارهای همبستگی، روش های زیست شناختی، مدل های توالی، مدل های الگوی پسا، مدل های ژنتیکی، مقدمه ای بر بازسازی فیلوژنتیک، فاصله روشهای متداول، روشهای متداول مبتنی بر شخصیت: پارسیونی، روشهای احتمالاتی: حداکثر احتمال، میکروارزیس، متلب

الگوریتم های بیوانفورماتیک

محتوای دوره:
مقدمه ای بر زیست شناسی مولکولی، شباهت های دنباله ای، قاعده ی درختی، همبستگی ژنوم، جستجو در پایگاه داده، ترتیب چندگانه، بازسازی فیلوژنی، مقایسه فیلوژنی، ترکیب ژن ها، یافتن موتیف، پیش بینی ساختار ثانویه RNA، توالی پپتید، ژنتیک جمعیت

بیوانفورماتیک ساختاری

محتوای دوره:
محدود کردن مدل سازی مولکولی، تعریف بیوانفورماتیک و ساختار، اصول ساختار پروتئین، جستجو و نمونه برداری در ساختار، روش های جستجو، تجزیه و تحلیل داده ها و کاهش، تجسم مولکولی

ژنومیک محاسباتی

محتوای دوره:
مقدمه، مفاهیم اپیدمیولوژی ژنتیک، ادغام تجزیه و تحلیل ارتباط و تجزیه و تحلیل نسل بعدی، نقشه برداری QTL از ویژگی های مولکولی برای مطالعات بیماری های پیچیده انسانی، علاقه منافع به هپلوتیپ از مارکر ژنتیکی به پیش بینی ژن، روش های تحلیلی برای داده های دنباله ای Exome، تجزیه و تحلیل متغیرهای کمیاب در افراد غیر مرتبط، تکرار ژن و پیامدهای عملکردی، از GWAS تا تداوم نسل بعدی در بیماری های پیچیده انسانی، پیامدها برای پزشکی و درمان ترمیمی

مدلسازی متابولیک

محتوای دوره:
متانولهای مصنوعی مصنوعی از مدل سازی متابولیک به طراحی منطقی دستگاه های بیوسنتز، ساختن استرول مصنوعی به صورت محاسباتی به باز کردن اسرار تکامل؟ ، ویژگی های حمل و نقل ساکارز از طریق پراش های خاص سولفوریک مطالعه شده توسط شبیه سازی های دینامیکی مولکولی، حل سریع برای الکترواستاتیک منفی از بیومولکول، طراحی مدل مبتنی بر میکروسکوپ های بیوشیمی، پایه زیست شناسی نشاسته با مطالعات in vitro برای آنزیم های فعال کربوهیدرات و glycomaterial های بیوسنتتیک، Compartmentalization و حمل و نقل در Vesicles مصنوعی، استانداردهای متابولومیک و مدل سازی متابولیک برای زیست شناسی مصنوعی در گیاهان، آیا پیش بینی ها با شواهد تجربی سازگار است؟ بهینه سازی تولید مهندسی پیش ساز گلوکورافامین دیمومیتیونین در نیکوتیاان بنتیمایانا، پپتید های مصنوعی به عنوان پروتئین های مینیمم، داربست های پروتئینی مصنوعی بر پایه موتیف های پپتید و دامنه های آداپتور زبانی برای بهبود بهره وری متابولیک، مهندسی Pathways متابولیسم توسط کانال های آنزیمی مصنوعی

مدل سازی در زیست شناسی سیستم

محتوای دوره:
مبانی بیولوژیکی، اصول مدل سازی ریاضی، کالیبراسیون مدل و طراحی تجربی، مدل سازی فرآیندهای سلولی، تبدیل آنزیمی، فرایندهای پلیمریزاسیون، انتقال فرکانس سیگنال و سیستم های تنظیم شده ژنتیکی، تحلیل ماژول ها و مفاهیم، ​​روش های عمومی تجزیه و تحلیل مدل، جنبه های نظریه کنترل، موتیف در شبکه های سلولی، تجزیه و تحلیل شبکه های سلولی، مهندسی متابولیک، ویژگی های توپولوژی

داده کاوی پیشرفته

محتوای دوره:
مقدمه ای بر داده کاوی در بیوانفورماتیک، مقیاس رتبه بندی سلسله مراتبی و برنامه های کاربردی در روش های بیوانفورماتیک و روش های ترکیب چندین سیستم امتیاز دهی، تجسم پی اچ پی DNA، پروتئومیک با اسپکترومتری توده، تجزیه و تحلیل کارآمد و قوی از مجموعه داده های فیلوژنتیک بزرگ، الگوریتم های موضوعی پروتئین، تمایز الگوها و فرمولاسیون برای داده های ژنومی هتروژنیک، تکنیک های خوشه بندی بدون پارامتر برای تجزیه و تحلیل بیان ژن، انتخاب ژن تبعیض آمیز ژن برای طبقه بندی مولکولی سرطان، یک سیستم تجزیه و تحلیل هپلوتیپ برای ژن ها کشف بیماری های مشترک، یک چارچوب بیزی برای بهبود دقت خوشه ای پیروی از پروتئین

فراگیری ماشین

محتوای دوره:
چرا ما علاقه مند به یادگیری ماشین، آمار یادگیری ماشین و تجزیه و تحلیل داده ها، تشخیص الگو، شبکه عصبی و یادگیری عمیق، خوشه های یادگیری و توصیه ها، یادگیری اقدامات، کجا از اینجا برویم؟

طراحی مواد مخدر توسط کامپیوتر

محتوای دوره:
روشهای مکانیکی مکانیکی و مکانیکی کوانتومی، سیستمهای فلز متناوب، مدلسازی پروتئینها و پروتئینها با استفاده از سیستمهای جامد، مدلسازی مبتنی بر QM، وضعیت کنونی و آینده

جذب پژوهشگر پسا دکتری در حوزه ی بیوانفورماتیک-bioinformatics postdoc

فراخوان پذیرش محقق پسا دکتری در حوزه ی ژنتیک سرطان