В рамках курса будут рассмотрены основы иммунологии, проведен обзор наиболее широко используемых в медицинской сфере методов машинного обучения, а также показаны особенности применения этих методов к иммунологическим и медицинским данным.
Навыки и знания после прохождения курса: Знание устройства и функционирования иммунной системы человека, навыки работы с иммунологическими данными, навыки применения методов машинного обучения в медицинских задачах, навыки анализа выживаемости.
Страница курса: https://intellect-foundation.r...
Материалы к курсу: https://drive.google.com/drive...
Список всех тем лекций
Лекция 1. Введение в иммунологию. Поток информации в иммунной системе. Три типа иммунного ответа. Врожденный и приобретенный иммунитет.
Краткий обзор всего курса
Функции и основные компоненты иммунной системы
Клетки иммунной системы
Лимфоидные органы
Рецепторы иммунных клеток
MHC
Врождённый и адаптивный иммунитет
Типы Т-клеток и их функции
Рекомендуемая литература
Лекция 2. Типы клеток и молекул, участвующих в иммунных реакциях. Лимфоидные органы, комплемент, Т клетки, В клетки, клетки врожденного иммунитета.
Система комплемента
Фагоцитоз, дегрануляция, нетоз
ADCC, ритуксимаб
Иммунные комплексы
Дендритные клетки
Активация CD4+ Т клеток, CTLA-4
Активация CD8+ Т клеток
Антигенпрезентирующие клетки
Дальнейшее развитие иммунного ответа
Регуляторные Т-клетки
Лекция 3. Адаптивный иммунитет. Т-клеточный ответ. В-клеточный ответ. Структура адаптивных иммунных рецепторов (TCR, BCR).
Структура Т-клеточного рецептора (TCR)
Генерация разнообразия TCR (VDJ рекомбинация)
Сравнение TCR и BCR
Структура и функции антител
Функции разных изотипов антител
Original antigenic sin (антигенный импринтинг)
Активация B-клеток
Динамика антител при COVID-19
Лекция 4. Данные в иммунологии и медицине. Работа с признаками. Feature engineering для медицинских данных.
Репертуары адаптивных иммунных рецепторов
Пайплайн обработки данных
Характеристики репертуаров
Клональность и разнообразие
VDJ usage и другие варианты анализа репертуаров
Алгоритм ALICE
Эмбеддинг
Вариационный автокодировщик
Предсказание аффинности связывания MHC:белок
Boruta
Лекция 5. Получение данных в молекулярной биологии и их структура. Система iScan для поиска SNP. Чипы для измерения уровней экспресии генов. Хаускипинг гены. Нормировка.
iScan illumina
Задачи, решаемые с помощью SNP чипов
Этнические различия SNP
Уровень экспрессии генов
ПЦР в реальном времени (real-time PCR)
Housekeeping гены (гены домашнего хозяйства)
Чипы для измерения уровня экспрессии генов
Анализ данных чипов
Лекция 6. Получение данных в молекулярной биологии и их структура. Методы и задачи секвенирования. Скрининг мутаций по данным WES.
Компоненты и этапы ПЦР
Метод Сэнгера
Пробоподготовка
Методы амплификации сигнала
Полупроводниковое секверинование
Контроль качества библиотек
Oxford Nanopore Technologies
Типы библиотек
Полногеномный поиск ассоциаций
Лекция 7. Генерация разнообразия TCR, BCR. Созревание Т и В-клеток. Распознавание антигенов TCR, BCR.
Распознавание антигенов, корецепторы
Строение TCR и BCR, строение их генов
Сборка TCR, созревание Т-клеток
Сборка BCR, созревание В-клеток, гипермутации
V(D)J и V(DD)J рекомбинация
Строение вариабельного региона
Изотипы антител, смена изотипа IgH
терапии рака
Сортировка клеток иммунной системы
Получение поли- и моноклональных антител
Лекция 8. Особенности секвенирования TCR, BCR. Анализ Т- и В-клеточных репертуаров.
Базы данных антител
Разнообразие TCR
AmpliSeq for Illumina Immune Repertoire Plus
Oncomine immune repertoire assays
QIAseq Immune Repertoire RNA Library Kits
Технология Single-Cell RNA seq: секвенирование, анализ, визуализация
Молекулярное баркодирование
Инструменты анализа TCR/BCR
Оценка разнообразия репертуара
Кластеризация CDR3
Лекция 9. Антигенпрезентация. Связывание пептидов с MHC.
Пути захвата антигена
Строение и разнообразие MHC
Презентация антигенов
HLA-типирование
Отторжение органов
Реакция "трансплантат против хозяина" и "трансплантат против опухоли"
MHC и предрасположенность к заболеваниям
Исследование пептидома
Лекция 10. Введение в анализ выживаемости.
Лекция 11. Машинное обучение в анализе выживаемости.
Введение
Проблемы Cox Proportional Hazards Model
Оценка Нельсона-Аалена
Построение и обучение деревьев выживаемости
Переход к Random Survival Forest
Практическое задание
Лекция 12. Нейронные сети в анализе выживаемости.
Функция правдоподобия для цензурированных данных
Параметризация с помощью нейронной сети
MNIST
Ответы на вопросы
![Машинное обучение в иммунологии и медицине](/img/hd/course/machine-learning-in-medicine.jpg?570)