Protein Prediction II for Bioinformaticians

Worum geht's

In diesem Modul lernst du moderne Methoden zur Vorhersage von Proteinfunktion aus Sequenz und Struktur kennen und anzuwenden. Du verstehst, welche Aspekte von Funktion vorhergesagt werden können, welche Daten und ML‑Strategien dafür nötig sind und wie man Überbewertung durch Data Leakage und Bias vermeidet. Am Ende kannst du eigene Vorhersageansätze entwerfen, bewerten und bis auf Pseudocode-Ebene umsetzen.

Was du danach kannst

Verständnis zentraler Konzepte der Proteinfunktionsvorhersage
Anwendung moderner ML-/KI-Methoden auf Funktionsvorhersagen
Erkennen und Vermeiden von Overfitting, Data Bias und Data Leakage
Nutzung evolutionärer Informationen (MSAs) und Grenzen deren Einsatzes
Einordnung und Bewertung von Protein-Sprachmodellen (pLMs)
Entwicklung und Evaluierung eigener Vorhersagewerkzeuge in Teamarbeit
Kritische Analyse und Peer-Review publizierter Methoden
Kommunikation der Stärken und Grenzen von Vorhersagen gegenüber Experimentatoren

Aus was das Modul besteht

VorlesungenVermittlung der theoretischen Grundlagen zu Sequenz- und Struktur-basierten Funktionsvorhersagen sowie ML‑Konzepten
SeminareInteraktive Diskussionen zu aktuellen Methoden und Studien
ÜbungenPraktische Implementierung und Anwendung von Vorhersagemethoden; Datenaufbereitung und Evaluierung
Projektarbeit (Gruppen)Entwicklung oder Testen einer ML-basierten Lösung mit anschließender Präsentation

Lehrmethode

Vorlesung (interaktive Seminare, Beamer und Whiteboard)Einführung und Vertiefung der Theorie; Teile werden am Whiteboard erklärt; Aufzeichnungen und Folien verfügbar
Übungen und GruppenprojektePraktische Umsetzung der Vorlesungsinhalte und Performance-Evaluation eigener Werkzeuge
Seminare/PräsentationenPräsentation und Diskussion der Projektergebnisse vor Kommiliton:innen und Tutoren

Solltest du schon können

Bachelor in Bioinformatik oder gleichwertige Kenntnisse in ML/KI
Protein Prediction 1 (empfohlen)empfohlen

Prüfung

mündliche PrüfungProjektarbeitPräsentation

Mündliche Prüfung am Ende des Semesters: Dauer 20 Minuten für Einzelpersonen, 60 Minuten für Gruppen. Die Prüfungsfragen beziehen sich auf Vorlesungen und die Projektarbeit. Studierende müssen konzeptionell geeignete computergestützte Lösungsansätze für biologische Fragestellungen der Proteinfunktionsvorhersage entwerfen, diskutieren und bis auf Pseudocode-Ebene darstellen. Ein Notenbonus von 0,3 wird einzelnen Studierenden gewährt, die maßgeblich zur erfolgreichen Projektarbeit beigetragen haben (vorausgesetzt die Prüfung ist bestanden).

Literatur

T Goldberg, T Hamp & B Rost - LocTree2 predicts localization for all domains of life.
M Littmann, M Heinzinger, C Dallago, K Weissenow & B Rost - Protein embeddings and deep learning predict binding residues for various ligand classes.
T Hamp & B Rost - Evolutionary profiles improve protein-protein interaction prediction from sequence.

Termine

ÜbungExercises for Protein Prediction II for Bioinformaticians (IN2230)

Mo.10:00–12:00
00.08.038, Unterrichtsraum ohne Infrastruktur (5608.EG.038)
14× · 19.10.–01.02.
- 19.10.
- 26.10.
- 02.11.
- 09.11.
- 16.11.
- 23.11.
- 30.11.
- 07.12.
- 14.12.
- 21.12.
- 11.01.
- 18.01.
- 25.01.
- 01.02.

VorlesungProtein Prediction II for Bioinformaticians (IN2230)2 Gruppen zur Wahl

ADi.16:00–18:00
00.13.009A, Seminarraum (5613.EG.009A)
15× · 13.10.–02.02.
- 13.10.
- 20.10.
- 27.10.
- 03.11.
- 10.11.
- 17.11.
- 24.11.
- 01.12.
- 08.12.
- 15.12.
- 22.12.
- 12.01.
- 19.01.
- 26.01.
- 02.02.
BDo.14:00–16:00
00.13.009A, Seminarraum (5613.EG.009A)
14× · 15.10.–04.02.
- 15.10.
- 22.10.
- 29.10.
- 05.11.
- 12.11.
- 19.11.
- 26.11.
- 10.12.
- 17.12.
- 07.01.
- 14.01.
- 21.01.
- 28.01.
- 04.02.

Aus dem laufenden Semester, unverbindlich. Von mehreren Gruppen besucht man eine; der Stundenplan schlägt automatisch die mit den wenigsten Überschneidungen vor.

Filter