Магистратура "Применение машинного обучения в биологии" в Факультета биоинженерии и биоинформатики МГУ имени М.В. Ломоносова, Москва

Студенты программы осваивают навыки обработки и анализа биологических данных, включая геномику, протеомику, метаболомику и другие "омические" данные. Они изучают методы прогнозирования и классификации биологических явлений, включая моделирование молекулярных взаимодействий, распознавание образов и анализ последовательностей ДНК и белков.

Студенты также получают практический опыт работы с биологическими базами данных, разработкой и реализацией алгоритмов машинного обучения, а также интерпретацией и визуализацией результатов исследований. Они изучают актуальные технологии и инструменты, используемые в современной биологической науке, и разрабатывают навыки командной работы и презентации научных результатов.

По завершении программы, выпускники обладают комплексным пониманием взаимодействия биологии и машинного обучения, способны применять передовые методы анализа данных для решения биологических задач и вносить вклад в развитие биологической науки и медицины с использованием современных технологий машинного обучения.

На программе магистранты научатся понимать и применять весь спектр методов машинного обучения и искусственного интеллекта — от регрессий до глубоких нейронных сетей — к биологическим (и не только!) задачам.

Профессиональные дисциплины:

• Общая биология и биоразнообразие
• Общая и органическая химия
• Введение в молекулярную биологию
• Биохимические процессы
• Введение в программирование на Python
• Введение в алгоритмы и устройство компьютера
• Основы мат. анализа и линейной алгебры
• Теория вероятностей
• Биоинформатика и компьютерные технологии
• Молекулярная биофизика
• Современные проблемы биологии
• Английский язык
• Вирусология и микробиология
• Молекулярная генетика и генная инженерия
• Введение в NGS
• Структурная биоинформатика и дизайн лекарств
• Математические основы машинного обучения
• Прикладная математическая статистика
• Python для научных вычислений
• Машинное обучение
• Язык R для анализа и визуализации данных
• Подготовка "Grant Proposal"
• Иммунология
• Нейросетевые методы анализа биомедицинских изображений
• Анализ нейрофизиол. данных и нейроинтерфейсы
• Медицинская геномика
• Современные методы NGS
• Биоинформатика рака
• Глубокое машинное обучение
• Молекулярное моделирование и дизайн биомакромолекул
• Проектирование, построение и анализ баз данных
• Обработка и анализ изображений
• Администрирование Linux
• Эволюционная биология
• Прикладные биоинформатические алгоритмы
• Научная коммуникация.