RUS ENG

УЧЕБНАЯ РАБОТА

Кафедра БМИ осуществляет подготовку специалистов на I и II ступенях высшего образования и является выпускающей по специальности 1-31 03 04 «Информатика». За кафедрой закреплены следующие дисциплины:

п/п

Название дисциплины

Фамилия преподавателя

Семестр

Количество часов

1.

Введение в биоинформатику (дисциплина специализации)

Карпенко Анна Дмитриевна

6

34

2.

Алгоритмы в биоинформатике (дисциплина специализации)

Карпенко Анна Дмитриевна,

Николаев Григорий Игоревич

6

34

3.

Основы цифровой обработки изображений (дисциплина специализации)

Тузиков Александр Васильевич,

Ковалёв Василий Алексеевич

7

52

4.

Основы компьютерного моделирования биомолекул (дисциплина специализации)

Андрианов Александр
Михайлович

7

68

5.

Теория графов

Орлович Юрий Леонидович

2

68

6.

Теория информации

Свирид Юрий Владимирович

7

34

7.

 Прикладные задачи распознавания медицинских изображений (магистратура ПМиИ, профилизация АСОБД).

Ковалёв Василий Алексеевич

3

60

8.

Вычислительная геометрия и геометрическое моделирование (магистратура ПМиИ, профилизация АСОБД)

Васильков Дмитрий Михайлович

3

40

Дисциплина специализации «Введение в биоинформатику» (34 часа – лекции, форма отчетности – зачет). Биоинформатика является одним из развивающихся направлений исследований и представляет собой комбинацию статистики, молекулярной биологии и компьютерных методов для анализа и обработки биологической информации (гены, ДНК, РНК, белки). Для анализа биологической информации и извлечения знаний и закономерностей требуется разработка новых алгоритмических и статистических методов и подходов, что способствует все более тесной связи между компьютерными науками и биологией. Таким образом, актуальной задачей в области высшего образования является подготовка специалистов, которые наряду с подготовкой в области компьютерных наук и информатики, будут хорошо ориентироваться в области геномики и протеомики, что позволит находить эффективные решения биологических задач. Целью преподавания дисциплины специализации «Введение в биоинформатику» является начальное знакомство студентов с основными понятиями молекулярной биологии, организацией генов и протеинов, технологиями получения генетических данных, включая копирование и клонирование ДНК, рестрикцию и гибридизацию ДНК, секвенирование геномов, рассмотрение способов представления и хранения генетических данных, организацию основных биоинформационных ресурсов – NCBI, EBI, KEGG, SwissProt, PDB, формирование представлений о типах биоинформационных задач возникающие в процессе анализа биологических данных о вычислительных методах и алгоритмах их решения, более подробное знакомство с алгоритмами решения ряда основных задач молекулярной биологии, включая алгоритмы выравнивания нуклеотидных последовательностей, рекомбинации геномов, выделение мотивов в генетической последовательности, поиска участков генов, анализа данных экспрессии генов, определения геномных паттернов, которые в комплексе демонстрируют необходимость и эффективность применения компьютерных методов в биологии.

Дисциплина специализации «Алгоритмы в биоинформатике» (лабораторные работы – 30 часов, управляемая самостоятельная работа – 4 часа, форма текущей аттестации по учебной дисциплине – зачет.). Целью преподавания данной дисциплины является формирование представлений о типах биоинформационных задач, возникающих в процессе анализа биологических данных, и о вычислительных методах и алгоритмах их решения, более подробное знакомство с алгоритмами решения ряда основных задач молекулярной биологии, включая алгоритмы выравнивания нуклеотидных последовательностей, рекомбинации геномов, выделение мотивов в генетической последовательности, поиска участков генов, анализа данных экспрессии генов, определения геномных паттернов, которые в комплексе демонстрируют необходимость и эффективность применения компьютерных методов в биологии.

Дисциплина специализации «Основы цифровой обработки изображений» (лабораторные работы – 30 часов, семинарские занятия – 18 часов, управляемая самостоятельная работа – 4часа, форма отчетности – зачет). Целью настоящей учебной дисциплины специализации является ознакомление студентов с основными направлениями развития данной области знаний, изучение методов и алгоритмов обработки цифровых изображений, приобретение навыков решения прикладных задач, связанных с обработкой изображений. Семинарские и лабораторные занятия по дисциплине заключаются в реализации алгоритмов обработки изображений, в частности – биомедицинских (рентгеновские снимки и изображения, полученные при помощи магнитно-резонансной томографии). Данная задача является актуальной, поскольку позволяет автоматизировать работу в медицинских учреждениях.

Дисциплина специализации «Основы компьютерного моделирования биомолекул» (лекции – 34 часа, практические занятия – 34 часа, форма отчетности – экзамен, зачет). Курс лекций по дисциплине специализации «Основы компьютерного моделирования биомолекул» является неотъемлемой частью системы подготовки специалистов в области информатики и предназначен для формирования у студентов системного представления о компьютерном моделировании белковых молекул и их комплексов с низкомолекулярными химическими соединениями - потенциальными лекарственными препаратами. Дисциплина включает все основные аспекты данной области исследований – от теории и методов моделирования пространственных структур биомолекул до дизайна потенциальных лекарств, воздействующих на определенные белковые «мишени». Преподавание дисциплины в значительной мере базируется на использовании современной компьютерной техники и программного обеспечения.

Дисциплина «Теория графов» (лекции – 34 часа, лабораторные занятия – 30 часов, управляемая самостоятельная работа – 4 часа, форма текущей аттестации – зачет). Теория графов – важный раздел современной математики как с точки зрения внутренних стимулов ее развития, так и для разнообразных и многочисленных приложений. В программу дисциплины включены как классические разделы теории графов, так и прикладные аспекты этой теории (независимость и доминирование в графах, паросочетания, обходы графов, раскраски). Учебная дисциплина также знакомит слушателя с важными открытиями в алгоритмической теории графов. При этом предпочтение при изложении материала отдается наиболее простым для понимания алгоритмам, которые наглядно демонстрируют ту или иную идею. Приводятся примеры прикладных задач, которые могут быть сформулированы и решены в теоретико-графовых терминах.

Дисциплина «Теория информации» (лекции – 18 часов, лабораторные занятия – 14 часов, управляемая самостоятельная работа – 2 часа, форма текущей аттестации – зачет). Учебная дисциплина знакомит студентов с базовыми элементами теории информации: понятием информации, информацией и энтропией случайных величин и случайных процессов. В рамках дисциплины рассматриваются фундаментальные теоремы кодирования информации для ее сжатия и надежной передачи по каналам связи, приводятся примеры вычисления пропускной способности для простейших каналов связи, рассматриваются вопросы оптимального кодирования источника сообщений, даются теоретико-информационные основы криптологии и важнейшие алгоритмы шифрования данных.

Дисциплина «Прикладные задачи распознавания медицинских изображений» (лекции – 20 часов, практические занятия – 20 часов (в том числе – 10 часов дистанционного обучения), семинарские занятия – 20 часов (в дистанционной форме обучения), форма текущей аттестации по учебной дисциплине – экзамен). Знакомит студентов магистратуры с основными подходами решения задач анализа и распознавания медицинских изображений. Цель учебной дисциплины – создание базы для понимания и реализации алгоритмов задачи получения, анализа и распознавания изображений по проблеме здоровья человека.

Дисциплина «Вычислительная геометрия и геометрическое моделирование» (лекции – 20 часов, лабораторные занятия – 20 часов, форма текущей аттестации – экзамен). В программу учебной дисциплины «Вычислительная геометрия и геометрическое моделирование» включены разделы, содержащие описание базовых алгоритмов векторной графики, вычислительной геометрии и геометрического моделирования. Изучение дисциплины позволяет получить знания, необходимые для успешной работы в области САПР и информационных технологий. Цель учебной дисциплины – предоставление студентам магистратуры знаний, позволяющих самостоятельно разрабатывать программные приложения и вычислительные компоненты, позволяющие эффективно решать задачи вычислительной геометрии и создавать сложные геометрические модели.

Темы курсовых проектов студентов 3 курса

  1. Исследование алгоритмов классификации медицинских изображений.
  2. Разработка генеративной нейронной сети для генерации молекул с заданными свойствами.
  3. Разработка нейросетевого генератора признаков 3D томографических изображений легких.
  4. Бизнес-анализ R&D проектов в области биоинформатики.
  5. Анализ подходов к поиску ключевых слов в аудио медицинской тематике.
  6. Изучение алгоритмов анализа геномных данных, реализованных на портале по лекарственно устойчивому туберкулезу.
  7. Изучение методов описания химических соединений для применения в алгоритмах машинного обучения.
  8. Исследование алгоритмов предсказания взаимодействия белков на основе шаблонов.
  9. Исследование алгоритмов предсказания токсичности молекул.
  10. Исследование алгоритмов моделирования химических реакций.
  11. Рёберные покрытия в графах, их типы и приложения.
  12. Исследование ADMET моделей.
  13. Разработка алгоритмов сегментации COVID-19 на снимках компьютерной томографии.
  14. Защита от состязательных атак на глубокие нейронные сети с помощью шумоподавляющих сетей.
  15. Изучение алгоритмов предсказания энергии взаимодействия молекул.

Темы курсовых проектов студентов 4 курса

  1. Визуально-статистический анализ ненормализованного набора данных биомедицинских заметок
  2. Исследование методов классификации текстов.
  3. Циклические свойства графов с предписанной локальной структурой.
  4. Семантический анализ больших объемов текстовой информации.
  5. Разработка системы автоматического распознавания речи.
  6. Разработка нейросетевого генератора признаков рентгеновских изображений легких.
  7. Сравнительный анализ эффективности различных типов молекулярных дескрипторов для предсказания свойств молекул.
  8. Экспериментальная оценка глубины сверточной нейронной сети, обеспечивающей заданный уровень качества распознавания изображений.
  9. Разработка нейросетевого генератора признаков гистологических изображений для диагностики раковых опухолей.
  10. Алгоритмы анализа и обработки непрерывно регистрируемой кардиограммы.
  11. Разработка нейросетевых методов автоматической отбраковки рентгеновских изображений грудной клетки, полученных с помощью генеративных нейронных сетей (GAN).
  12. In silico идентификация потенциальных противоопухолевых препаратов на основе молекул широкого спектра действия: применение к молекулярным мишеням BCR-ABL, mTOR, JAK1.
  13. Методы персонализации в поисковой системе.
  14. Разработка алгоритмов и программных средств поиска «цифровых двойников» по рентгеновским изображениям.
  15. Разработка генеративной состязательной нейронной сети с частичным привлечением учителя для генерации молекул с заданными свойствами.

Темы дипломных работ студентов 4 курса

  1. Алгоритм динамической нормализации и дополнения биомедицинских заметок.
  2. Классификация текстов с использованием нейронных сетей.
  3. Гамильтоновы циклы в графах с ограниченной локальной структурой.
  4. Разработка алгоритма обработки и анализа коллекции бизнес-документов с учетом семантического сходства.
  5. Построение системы распознавания речи с помощью автоматической добычи и размножения данных из видеохостинга YouTube и их использования для обучения акустической модели.
  6. Исследование качества нейросетевых признаков цифровых изображений легких.
  7. Разработка моделей машинного обучения на основе различных типов молекулярных дескрипторов для предсказания свойств молекул.
  8. Экспериментальная оценка глубины сверточной нейронной сети, обеспечивающей необходимый уровень качества решения задачи бинарной классификации медицинских изображений.
  9. Разработка методов анализа и классификации текстур медицинских изображений на основе технологий глубокого обучения.
  10. Разработка веб-сервиса для анализа и обработки непрерывно регистрируемой кардиограммы.
  11. Разработка нейросетевых методов автоматического обнаружения дефектов медицинских изображений.
  12. In silico идентификация потенциальных противоопухолевых препаратов широкого спектра действия и оценка их биологической активности методами молекулярного моделирования.
  13. Исследование влияния краткосрочных и долгосрочных интересов на персонализацию в поисковой системе.
  14. Разработка алгоритмов и программных средств автоматического поиска «цифровых двойников» в больших базах рентгеновских изображений.
  15. Разработка генеративной состязательной нейронной сети с частичным привлечением учителя и её применение для генерации потенциальных ингибиторов белков-мишеней.

Темы курсовых работ студентов 3 курса

  1. Алгоритмы локального поиска для задачи о наибольшей клике.
  2. Улучшение качества поиска ключевых слов в аудио медицинской тематике.
  3. Разработка генеративной нейронной сети для генерации молекул с заданными свойствами.
  4. Исследование свойств 3D томографических изображений легких и генерация их количественных признаков.
  5. Применение математических моделей оценки рисков для R&D проектов в области биоинформатики.
  6. Анализ мутаций в геноме микобактерий туберкулеза на основе машинного обучения.
  7. Генерация описаний химических соединений методами глубокого обучения.
  8. Алгоритм предсказания взаимодействия белков на основе глубокого обучения.
  9. Разработка модели предсказания токсичности малых молекул.
  10. Разработка алгоритма генерации новых химических соединений с использованием различных химических реакций.
  11. Структурные и алгоритмические свойства рёберных покрытий в графах.
  12. Разработка ADMET модели.
  13. Разработка алгоритмов обучения с подкреплением для задачи манипуляции шарнирной моделью руки.
  14. Исследование эффективности состязательных атак на глубокие нейронные сети в области медицинских изображений и способов их предотвращения.
  15. Разработка модели предсказания энергии взаимодействия молекул.
01.04.2021
50 лет ФПМИ. Открытие Первоапрельских праздничных мероприятий Главный корпус БГУ, холл 5 этажа.
Другие сайты факультетаСтруктураОбразованиеМагистратураНаукаСтудентуВнеучебная деятельностьСистема
менеджмента
качества (СМК)
ОлимпиадыПравовые акты
БГУ, приказы
АбитуриентуШкольникуИсторияИздания факультетаПрофбюро ФПМИПерсональные страницыФотогалереи Центр
Компетенций
по ИТ
Газета ФПМыНаши партнеры