Одним из главных принципов уникальной «системы Физтеха», заложенной в основу образования в МФТИ, является тщательный отбор одаренных и склонных к творческой работе представителей молодежи. Абитуриентами Физтеха становятся самые талантливые и высокообразованные выпускники школ всей России и десятков стран мира.

Студенческая жизнь в МФТИ насыщенна и разнообразна. Студенты активно совмещают учебную деятельность с занятиями спортом, участием в культурно-массовых мероприятиях, а также их организации. Администрация института всячески поддерживает инициативу и заботится о благополучии студентов. Так, ведется непрерывная работа по расширению студенческого городка и улучшению быта студентов.

Адрес e-mail:

Системная биология

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение
высшего профессионального образования
«Московский физико-технический институт (государственный университет)»
«УТВЕРЖДАЮ»
Проректор по учебной и методической работе
Д.А. Зубцов
Рабочая программа дисциплины (модуля)
по дисциплине: Системная биология
по направлению: Прикладные математика и физика (бакалавриат)
профиль подготовки:
факультет: биологической и медицинской физики
кафедра: молекулярной и биологической физики
курс: 4
квалификация: бакалавр
Семестр, формы промежуточной аттестации: 7(Осенний) - Дифференцированный зачет
Аудиторных часов: 30 всего, в том числе:
лекции: 30 час.
практические (семинарские) занятия: 0 час.
лабораторные занятия: 0 час.
Самостоятельная работа: 42 час.
Всего часов: 72, всего зач. ед.: 2
Количество курсовых работ, заданий: 1
Программу составил: А.А. Сорокин, канд. физ.-мат. наук
Программа обсуждена на заседании кафедры
10 июля 2015 г.
СОГЛАСОВАНО:
Заведующий кафедрой И.А. Попов
Декан факультета биологической и медицинской физики
Начальник учебного управления И.Р. Гарайшина
1. Цели и задачи
Цель дисциплины
формирование у студентов базовых знаний о современных методах моделирования биологических систем в диапазоне от небольших путей до целых организмов; формирование представлений об областях применимости каждого метода, а также о наиболее распространенных ошибках в их применении.
Задачи дисциплины
- Освоение студентами базовых понятий и определений системной биологии, умения представлять знания о биологических объектах в виде математических моделей;
- Приобретение знаний о различных методах моделирования биологических систем, областях их применимости и возможных ошибках использования;
- Приобретение знаний об основных источниках информации, необходимой для у создания реалистических предсказательных моделей, а также о форматах данных используемых в современной вычислительной и экспериментальной системной биологии.
2. Место дисциплины (модуля) в структуре образовательной программы
Данная дисциплина относится к вариативной части образовательной программы.
Дисциплина «Системная биология» базируется на дисциплинах:
Вычислительная математика;
Дифференциальные уравнения.
Дисциплина «Системная биология» предшествует изучению дисциплин:
Биоинформатика.
3. Перечень планируемых результатов обучения по дисциплине (модулю), соотнесенных с планируемыми результатами освоения образовательной программы
Освоение дисциплины направлено на формирование следующих общекультурных, общепрофессиональных и профессиональных компетенций:
способность решать стандартные задачи профессиональной деятельности на основе информационной и библиографической культуры с применением информационно-коммуникационных технологий и  с учетом основных требований информационной безопасности (ОПК-1);
способность применять теорию и методы математики для построения качественных и количественных моделей объектов и процессов в естественнонаучной сфере деятельности (ОПК-2);
способность понимать ключевые аспекты и концепции в области их специализации (ОПК-3);
способность применять полученные знания для анализа систем, процессов и методов (ОПК-4);
способность планировать и проводить научные эксперименты (в избранной предметной области) и (или) теоретические (аналитические и имитационные) исследования (ПК-1);
способность выбирать и применять подходящее оборудование, инструменты и методы исследований для решения задач в избранной предметной области (ПК-3);
способность критически оценивать применимость применяемых методик и методов (ПК-4).
В результате освоения дисциплины обучающиеся должны
знать:
- основные определения теории метаболизма, внутриклеточной сигнализации;
- основные определения теории графов;
- основные определения теории потокового моделирования и метаболического контроля;
- основные способы идентификации моделей, анализа параметрической чувствительности и идентифицируемости;
- основы представления биологических систем в виде набора шаблонов rule-based инфраструктуры
- основные стандарты представления данных и моделей в вычислительной системоной биологии.
уметь:
- представить набор реакций в виде графа, стохиометрической матрицы, системы обыкновенных дифференциальных уравнений, набора шаблонов rule-based инфраструктуры;
- определить применимость различных методов моделирования к описанию биологической системы.
владеть:
- навыками поиска информации, необходимой для построения модели биологической системы;
- навыками анализа моделей в виде графов, систем потоков, систем ОДУ и шаблонов rule-based инфраструктуры.
4. Содержание дисциплины (модуля), структурированное по темам (разделам) с указанием отведенного на них количества академических часов и видов учебных занятий
4.1. Разделы дисциплины (модуля) и трудоемкости по видам учебных занятий
             
Тема (раздел) дисциплины Виды учебных занятий, включая самостоятельную работу
Лекции Практич. (семинар.) задания Лаборат. работы Задания, курсовые работы Самост. работа
1 Rule-based моделирование. 4       3
2 Анализ параметрической чувствительности, локальная и глобальная чувствительность. 2       3
3 Анализ поведения стохастических моделей.
Алгоритм Гилеспи.
2       3
4 Динамическое моделирование. Реконструкция регуляторных сетей. 2       3
5 Идентифицируемость моделей. 4       3
6 Международные стандарты в системой биологи. 1       3
7 Метаболизм, реконструкция и представление метаболизма организма 2       3
8 Методы решения обратной задачи моделирования, идентификация моделей. 2       3
9 Потоковое моделирование метаболических сетей (FBA). 4       3
10 Сигнальные пути. Основные подходы к моделированию. 4       3
11 Статическое моделирование. Основные понятия теории графов 2       3
12 Что такое системная биология. 1       9
Итого часов 30       42
Подготовка к экзамену 0 час.
Общая трудоёмкость 72 час., 2 зач.ед.
             
4.2. Содержание дисциплины (модуля), структурированное по темам (разделам)
Семестр: 7 (Осенний)
1. Rule-based моделирование.
Rule-based моделирование. Комбинаторный взрыв в моделях сигнальных путей. Анализ шаблонов, построение rule-based моделей. Kappa и BioNetGen языки описания rule-based моделей. Эквивалентность rule-based моделей и систем ОДУ. Выделение фрагментов в rule-based сетях.
2. Анализ параметрической чувствительности, локальная и глобальная чувствительность.
Анализ параметрической чувствительности, локальная и глобальная чувствительность. Методы FAST, PRCC, интегралы Соболя.
3. Анализ поведения стохастических моделей.
Алгоритм Гилеспи.
Анализ поведения стохастических моделей. Алгоритм Гилеспи. Метод тау-скачков. Метод СДУ в форме уравнения Ланжевена.
4. Динамическое моделирование. Реконструкция регуляторных сетей.
Динамическое моделирование. Динамический портрет системы. Предсказание динамического портрета по SR-графу системы. Обобщенные кинетические законы: обобщенный закон Хилла, обобщенный закон Михаэлиса. Рекоснструкция регуляторных сетей. Базы данных PathwayCommons и Panter.
5. Идентифицируемость моделей.
Идентифицируемость моделей. Матрица Фишера, нелинейные методы анализа идентифицируемости: MOTA анализ и метод профиля вероятности.
6. Международные стандарты в системой биологи.
Международные стандарты в системой биологи. Стандарты обмена моделями: BioPAX, SBML, SBGN.Международные стандарты в системой биологи. Аннотация и семантика: SED-ML, MIRIAM, MIASY
7. Метаболизм, реконструкция и представление метаболизма организма
Метаболизм, основные понятия: метаболиты, реакции, типы реакций, метаболический путь, обратимые/необратимые реакции энергетическое сопряжение, графическое представление метаболических путей. Базы данных MetaCyc и BioModelsDB.
8. Методы решения обратной задачи моделирования, идентификация моделей.
Методы решения обратной задачи моделирования, идентификация моделей. Локальные методы: варианты градиентного спуска, метод симплексов. Глобальные методы: имитация отжига, генетический алгоритм, методы стаи точек. Многообъектная оптимизация.
9. Потоковое моделирование метаболических сетей (FBA).
Потоковое моделирование метаболических сетей (FBA). Представление графов в виде матриц. Матрица смежности. Стационарное состояние метаболической системы. Стехиометрическая матрица. Ядро стехиометрической матрицы.
Выделение путей в метаболическом графе. Элементарные и экстремальные потоки. Учет регуляции. Анализ метаболического контроля (MCA).
10. Сигнальные пути. Основные подходы к моделированию.
Сигнальные пути. Основные подходы к моделированию. Использование потокового моделирования для описания сигнальных путей.
11. Статическое моделирование. Основные понятия теории графов
Статическое моделирование. Основные понятия теории графов: ориентированные и неориентированные графы, узлы и ребра, путь, длина пути, связность и компоненты графа, понятие центральности и меры центральности узла: степень узла и др. Представление метаболических путей в виде графов, S- и R-графы, SR-граф. Безмасштабные (scale-free) сети, понятие хаба, свойства безмасштабных сетей. Понятие разменного метаболита. «Бабочка метаболизма», вариации структуры метаболических сетей у симбионтов и паразитов.
12. Что такое системная биология.
Что такое системная биология. Временные и пространственные шкалы. Моделирование, типы моделей, работа с моделями. Наиболее заметные результаты и перспективы развития.
5. Описание материально-технической базы, необходимой для осуществления образовательного процесса по дисциплине (модулю)
Необходимое оборудование для лекций и практических занятий:
На лекционных занятиях используются мультимедийные технологии, включая демонстрацию презентаций.
6. Перечень основной и дополнительной литературы, необходимой для освоения дисциплины (модуля)
Основная литература
1) Palsson, B.Ø. (2006) Systems Biology, Cambridge University Press.
2) Demin, O., Goryanin, I. (2008) Kinetic Modelling in Systems Biology, CRC Press.
Дополнительная литература
1) Mendes, P., Hoops, S., Sahle, S., Gauges, R., Dada, J., Kummer, U. (2009) ‘Computational modeling of biochemical networks using COPASI.’, in, Methods in molecular biology (Clifton, N.J.), 17–59.
2) Saltelli, A., Ratto, M., Campolongo, F. (2008) Global Sensitivity Analysis: the Primer.
3) Ma, H., Sorokin, A., Mazein, A., Selkov, A., Selkov, E., Demin, O., Goryanin, I.I. (2007) ‘The Edinburgh human metabolic network reconstruction and its functional analysis’, Molecular Systems Biology, 3, 135.
4) Chylek, L.A., Hu, B., Blinov, M.L., Emonet, T., Faeder, J.R., Goldstein, B., Gutenkunst, R.N., Haugh, J.M., Lipniacki, T., Posner, R.G., Yang, J., Hlavacek, W.S. (2011) ‘Guidelines for visualizing and annotating rule-based models’, Molecular BioSystems, 1–17.
5) Faeder, J.R., Blinov, M.L., Hlavacek, W.S. (2009) ‘Rule-based modeling of biochemical systems with BioNetGen.’, Methods in molecular biology (Clifton, N.J.), 500, 113–167.
Дополнительная литература
1) Hlavacek, W.S., Faeder, J.R., Blinov, M.L., Posner, R.G., Hucka, M., Fontana, W. (2006) ‘Rules for modeling signal-transduction systems.’, Science's STKE : signal transduction knowledge environment, 2006(344), re6.
2) Danos, V., Feret, J., Fontana, W., Harmer, R., Krivine, J. (2008) ‘Rule-based modelling, symmetries, refinements’, Formal Methods in Systems Biology, 103–122.
3) Danos, V., Feret, J., Fontana, W., Harmer, R., Krivine, J. (2009) ‘Rule-based modelling and model perturbation’, Transactions on Computational Systems Biology XI, 116–137.
4) Danos, V., Feret, J., Fontana, W., Harmer, R., Krivine, J. (2010) ‘Abstracting the differential semantics of rule-based models: exact and automated model reduction’, Logic in Computer Science (LICS), 2010 25th Annual IEEE Symposium on, 362–381.
5) Danos, V., Harmer, R., Winskel, G. (2011) ‘Constraining rule-based dynamics with types’.
6) Danos, V., Laneve, C. (2003) ‘Graphs for core molecular biology’, Computational Methods In Systems Biology, Proceedings, 2602, 34–46.
7) Danos, V., Laneve, C. (2004) ‘Formal molecular biology’, Theoretical Computer Science, 325(1), 69–110.
8) Feret, J., Danos, V., Krivine, J., Harmer, R., Fontana, W. (2009) ‘Internal coarse-graining of molecular systems.’, Proceedings of the National Academy of Sciences, 106(16), 6453–6458.
9) Sorokina, O., Sorokin, A., Douglas Armstrong, J., Danos, V. (2013) ‘A simulator for spatially extended kappa models.’, Bioinformatics (Oxford, England), 29(23), 3105–3106.
7. Перечень ресурсов информационно-телекоммуникационной сети "Интернет", необходимых для освоения дисциплины (модуля)
Электронно-библиотечные системы:
1) www.copasi.org
2) www.sbgn.org
3) http://scholar.google.ru
4) www.kappalanguage.org
5) vcell.org
6) opencobra.github.io
8.  Перечень информационных технологий, используемых при осуществлении образовательного процесса по дисциплине (модулю), включая перечень программного обеспечения и информационных справочных систем (при необходимости)
В процессе самостоятельной работы обучающихся возможно использование такиех программных средств, как Python, Mathlab/Octave, R.
9. Методические указания для обучающихся по освоению дисциплины
Студент, изучающий дисциплину, должен с одной стороны, овладеть общим понятийным аппаратом, а с другой стороны, должен научиться применять теоретические знания на практике.
В результате изучения дисциплины студент должен знать основные определения дисциплины, уметь применять полученные знания для решения различных  задач.
Успешное освоение курса требует:
– посещения всех занятий, предусмотренных учебным планом по дисциплине;
– ведения конспекта занятий;
– напряжённой самостоятельной работы студента.
Самостоятельная работа включает в себя:
– чтение рекомендованной литературы;
– проработку учебного материала, подготовку ответов на вопросы, предназначенных для самостоятельного изучения;
– решение задач, предлагаемых студентам на занятиях;
– подготовку к выполнению заданий текущей и промежуточной аттестации.
Показателем владения материалом служит умение без конспекта отвечать на вопросы по темам дисциплины.
Важно добиться понимания изучаемого материала, а не механического его запоминания. При затруднении изучения отдельных тем, вопросов, следует обращаться за консультациями преподавателю.
Возможен промежуточный контроль знаний студентов в виде решения задач в соответствии с тематикой занятий.
10. Фонд оценочных средств для проведения промежуточной аттестации по итогам обучения
Приложение
ПРИЛОЖЕНИЕ
ФОНД ОЦЕНОЧНЫХ СРЕДСТВ
ДЛЯ ПРОВЕДЕНИЯ ПРОМЕЖУТОЧНОЙ АТТЕСТАЦИИ ОБУЧАЮЩИХСЯ
ПО ДИСЦИПЛИНЕ
по направлению: Прикладные математика и физика (бакалавриат)
профиль подготовки:
факультет: биологической и медицинской физики
кафедра (название): молекулярной и биологической физики
курс: 4
квалификация: бакалавр
Семестр, формы промежуточной аттестации: 7(Осенний) - Дифференцированный зачет
Разработчик: А.А. Сорокин , канд. физ.-мат. наук
1. Компетенции, формируемые в процессе изучения дисциплины
Освоение дисциплины направлено на формирование у обучающегося следующих общекультурных (ОК), общепрофессиональных (ОПК) и профессиональных (ПК) компетенций:
способность решать стандартные задачи профессиональной деятельности на основе информационной и библиографической культуры с применением информационно-коммуникационных технологий и  с учетом основных требований информационной безопасности (ОПК-1);
способность применять теорию и методы математики для построения качественных и количественных моделей объектов и процессов в естественнонаучной сфере деятельности (ОПК-2);
способность понимать ключевые аспекты и концепции в области их специализации (ОПК-3);
способность применять полученные знания для анализа систем, процессов и методов (ОПК-4);
способность планировать и проводить научные эксперименты (в избранной предметной области) и (или) теоретические (аналитические и имитационные) исследования (ПК-1);
способность выбирать и применять подходящее оборудование, инструменты и методы исследований для решения задач в избранной предметной области (ПК-3);
способность критически оценивать применимость применяемых методик и методов (ПК-4).
2. Показатели оценивания компетенций
В результате изучения дисциплины «Системная биология» обучающийся должен:
знать:
- основные определения теории метаболизма, внутриклеточной сигнализации;
- основные определения теории графов;
- основные определения теории потокового моделирования и метаболического контроля;
- основные способы идентификации моделей, анализа параметрической чувствительности и идентифицируемости;
- основы представления биологических систем в виде набора шаблонов rule-based инфраструктуры
- основные стандарты представления данных и моделей в вычислительной системоной биологии.
уметь:
- представить набор реакций в виде графа, стохиометрической матрицы, системы обыкновенных дифференциальных уравнений, набора шаблонов rule-based инфраструктуры;
- определить применимость различных методов моделирования к описанию биологической системы.
владеть:
- навыками поиска информации, необходимой для построения модели биологической системы;
- навыками анализа моделей в виде графов, систем потоков, систем ОДУ и шаблонов rule-based инфраструктуры.
3. Перечень типовых контрольных заданий, используемых для оценки знаний, умений, навыков
Промежуточная аттестация по дисциплине «Системная биология» осуществляется в форме экзамена (зачета). Экзамен (зачет) проводится в письменной (устной) форме.
Примерный перечень вопросов к диф. зачету  в _7_ семестре:
1) _Что такое потоковое моделирование метаболических сетей (FBA). Область применимости, типы результатов, сильные и слабые стороны.__
2) _Понятие центральности и меры центральности узла: степень узла и др. __
3) _Методы анализа rule-based моделей. Контактные карты и сюжеты __
4) _Теорема суммирования в МСА. Биологический смысл и значение для моделирования._
4. Критерии оценивания
Оценка отлично 10 баллов -  выставляется студенту, показавшему всесторонние, систематизированные, глубокие знания учебной программы дисциплины, проявляющему интерес к данной предметной области, продемонстрировавшему умение уверенно и творчески применять их на практике при решении конкретных задач, свободное и правильное обоснование принятых решений.
Оценка отлично 9 баллов - выставляется студенту, показавшему всесторонние, систематизированные, глубокие знания учебной программы дисциплины и умение уверенно применять их на практике при решении конкретных задач, свободное и правильное обоснование принятых решений.
Оценка отлично 8 баллов  - выставляется студенту, показавшему всесторонние, систематизированные, глубокие знания учебной программы дисциплины и умение уверенно применять их на практике при решении конкретных задач, правильное обоснование принятых решений, с некоторыми недочетами.
Оценка хорошо 7 баллов - выставляется студенту, если он твердо знает материал, грамотно и по существу излагает его, умеет применять полученные знания на практике, но недостаточно грамотно обосновывает полученные результаты.
Оценка хорошо 6 баллов - выставляется студенту, если он твердо знает материал, грамотно и по существу излагает его, умеет применять полученные знания на практике, но допускает в ответе или в решении задач некоторые неточности.
Оценка хорошо 5 баллов - выставляется студенту, если он в основном знает материал, грамотно  и по существу излагает его, умеет применять полученные знания на практике, но допускает в ответе или в решении задач достаточно большое количество неточностей.
Оценка удовлетворительно 4 балла  - выставляется студенту, показавшему фрагментарный, разрозненный характер знаний, недостаточно правильные формулировки базовых понятий, нарушения логической последовательности в изложении программного материала, но при этом он освоил основные разделы учебной программы, необходимые для дальнейшего обучения, и может применять полученные знания по образцу в стандартной ситуации.
Оценка удовлетворительно  3 балла - выставляется студенту, показавшему фрагментарный, разрозненный характер знаний, допускающему ошибки в формулировках базовых понятий, нарушения логической последовательности в изложении программного материала, слабо владеет основными разделами учебной программы, необходимыми для дальнейшего обучения и с трудом применяет полученные знания даже в стандартной ситуации.
Оценка неудовлетворительно 2 балла - выставляется студенту, который не знает большей части основного содержания учебной программы дисциплины, допускает грубые ошибки в формулировках основных принципов и не умеет использовать полученные знания при решении типовых задач.
Оценка неудовлетворительно 1 балл - выставляется студенту, который не знает основного содержания учебной программы дисциплины, допускает грубейшие ошибки в формулировках базовых понятий дисциплины и вообще не имеет навыков решения типовых практических задач.
5. Методические материалы, определяющие процедуры оценивания знаний, умений, навыков и (или) опыта деятельности
При проведении устного дифференцированного зачета обучающемуся предоставляется 30 минут на подготовку. Опрос обучающегося по билету на устном дифференцированном зачете  не должен превышать одного астрономического часа.
Если вы заметили в тексте ошибку, выделите её и нажмите Ctrl+Enter.

© 2001-2016 Московский физико-технический институт
(государственный университет)

Техподдержка сайта

МФТИ в социальных сетях

soc-vk soc-fb soc-tw soc-li soc-li
Яндекс.Метрика