GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| FBYZR7049 | Biyoinformatikte Yapay Zeka Uygulamaları | Ders | 1 | 1 | 5,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Dersin sonunda öğrencilerin temel hesaplamalı moleküler biyofizik yöntemlerini öğrenmeleri amaçlanmaktadır.
Dersi Veren Öğretim Görevlisi Görevlileri
Fizik Bölümü Öğretim Üyeleri
Öğrenme Çıktıları
| 1 | Temel biyoinformatik kavramlarını tanır. |
| 2 | Temel biyoinformatik veri tiplerini ve veri tabanlarını tanır. |
| 3 | Biyoinformatikte yaygın kullanılan sınıflandırma ve regresyon yöntemlerini tanır. |
| 4 | Protein/DNA dil modellerini ve bunların kullanım alanlarını bilir. |
| 5 | Basit biyoinformatik yapay zeka uygulamaları gerçekleştirebilir. |
Öğrenim Türü
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Dersin sonunda öğrencilerin temel hesaplamalı moleküler biyofizik yöntemlerini öğrenmeleri amaçlanmaktadır.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Genomik biyoinformatik: Protein, DNA ve RNA sekansları ve yaygın kullanılan veri formatları | ||
| 2 | Yapısal biyoinformatik: Protein, DNA ve RNA yapısının tanıtılması | ||
| 3 | Yaygın biyoinformatik veri tabanları o RCSB o GnomAD o GeneBank | ||
| 4 | Biyoinformatikte sekans ve yapı hizalama yöntemleri | ||
| 5 | Biyoinformatikte kullanılan sınıflandırma ve regresyon teknikleri o Destekçi Vektör Makinesi (Support Vector Machine) o Doğrusal Olmayan SVM (Non-Linear SVM) | ||
| 6 | Biyoinformatikte kullanılan sınıflandırma ve regresyon teknikleri o Karar Ağacı Öğrenmesi (Decision Tree Learning) o K-En Yakın Komşu (KNN, K-nearest neighborhood) | ||
| 7 | Ara sınav | ||
| 8 | Biyoinformatikte yapay zeka uygulama örnekleri: o Protein sekansından yola çıkarak proteinlerin 3 boyutlu yapısının belirlenmesi (Alphafold devrimi) | ||
| 9 | Biyoinformatikte yapay zeka uygulama örnekleri: o Protein ve ilaç kenetlenmesi (Diffdock algoritması) | ||
| 10 | Protein dil modelleri ve uygulamaları: o ESM (Evolutionary Scale Models) o ProtTrans Modelleri | ||
| 11 | DNA dil modelleri ve uygulamaları o EVO ve DNABERT | ||
| 12 | Uygulama: Protein sekansından yola çıkarak belirli bir özelliğin öngörülmesi – 1. Bölüm | ||
| 13 | Uygulama: Protein sekansından yola çıkarak belirli bir özelliğin öngörülmesi – 2. Bölüm | ||
| 14 | Final Sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
-Molecular Biophysics: Structures in Motion, Michel Daune. Understanding Molecular Simulation, Second Edition: From Algorithms to Applications, Daan Frenkel, Berend Smit. Diğer Kaynaklar NAMD tutorials: www.ks.uiuc.edu/Training/Tutorials/
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 50 |
| Quiz | 5 | 25 |
| Derse Katılım | 14 | 25 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 75 |
| Quiz | 5 | 25 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Quiz | 10 | 1 | 10 |
| Derse Katılım | 14 | 3 | 42 |
| Ödev Problemleri için Bireysel Çalışma | 10 | 1 | 10 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 15 | 15 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 25 | 25 |
| Quiz için Bireysel Çalışma | 10 | 1 | 10 |
| Ev Ödevi | 10 | 1 | 10 |
| Toplam İş Yükü (saat) | 126 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | PÇ 16 | |
| ÖÇ 1 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| ÖÇ 2 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| ÖÇ 3 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| ÖÇ 4 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| ÖÇ 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek