Научно-исследовательский семинар "Генеративные модели ИИ в биологии"

Бакалавриат 2025/2026

Статус: Курс обязательный (Клеточная и молекулярная биотехнология)

Кто читает: Базовая кафедра Института биоорганической химии им. академиков М.М. Шемякина и Ю.А. Овчинникова РАН

Где читается: Факультет биологии и биотехнологии

Когда читается: 3-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Вартанов Сергей Александрович, Фаткулин Артем Александрович

Язык: русский

Кредиты: 4

Контактные часы: 60

Дополнительные материалы в LMS Задать вопрос

Аннотация

НИС «Генеративные модели ИИ в биологии» посвящен внедрению современных технологий искусственного интеллекта в биологические исследования и практику. Участники курса познакомятся с основами генеративных моделей и их применением для решения актуальных задач в области биологии, включая анализ геномных данных и обработку биологических и медицинских изображений. Особое внимание будет уделено использованию нейросетей в повседневной деятельности биологов. Рассмотрим практические аспекты разработки презентаций и научных постеров с помощью ИИ, создание личных ИИ-помощников для повышения эффективности работы, а также использование инструментов ИИ для работы с информацией и написания текстов. Участники получат навыки, которые помогут им внедрять ИИ в проектную деятельность, оптимизируя процессы исследований. НИС также сосредоточится на методах генерации новых гипотез и идей, основанных на анализе существующих данных, что является важной частью научного процесса. Участники смогут узнать, как генеративные модели могут быть использованы для моделирования биологических процессов, что откроет новые горизонты понимания и экспериментов в биологии. Наконец, важной темой НИС станут этика и правовые аспекты использования генеративных моделей в научных исследованиях. Участники познакомятся с проблемами, связанными с ответственным и этичным использованием ИИ в науке, что будет способствовать формированию сознательного подхода к внедрению технологий. Курс предназначен для студентов и специалистов в области биологии, желающих освоить методы и инструменты ИИ для улучшения качества своих исследований, повышения продуктивности и расширения горизонтов научной деятельности.

Цель освоения дисциплины

• сформировать у слушателей практических и систематических навыков анализа биомедицинских данных; • сформировать представления о применении современных технологий обработки биомедицинской информации; • познакомить слушателей с основными принципами и приёмами статистической обработки данных • научить слушателей основным понятиям и постановкам задач машинного обучения, возникающих в биологических и биомедицинских задачах; • дать теоретические основы ключевых методов машинного обучения; • познакомить с принципами построения композиций моделей машинного обучения; • познакомить с основными метриками качества для регрессии и классификации; • научить выполнять полный цикл построения модели; • научить обучать основные модели машинного обучения, оценивать их качество; • научить выполнять кластеризацию и визуализацию данных; • дать базовые знания об архитектурах искусственных нейронных сетей, базовых методах их обучения и оценки качества.

Планируемые результаты обучения

Умение выполнять полный цикл построения модели
Знание медицинских приложений анализа данных, основных баз медико-биологических данных, иных источников и способов извлечения данных из них;
Знание основных понятий математической статистики (нулевая и альтернативная гипотеза, ошибки первого и второго рода, статистический критерий (тест), уровень значимости, статистика как функция от выборки, критическое множество, мощность критерия, p-значение, описательные характеристики выборки);
Владение основными приёмами описательной статистики, в том числе числовые статистическими характеристиками набора числовых данных и приёмами визуализации эмпирических распределений;
Умение проверять гипотезы на основе статистических данных;
Владение статистическими методами, применяемыми для анализа медицинской информации, и соответствующим прикладным программным обеспечением;
Умение обосновать выбор метода исследования применительно к поставленным задачам;
Умение строить точечные и интервальные оценки необходимых параметров на основе статистических данных;
Умение интерпретировать результаты анализа данных;
Знание основных понятий, постановки и метрик качества задач машинного обучения ключевых типов;
Знание теоретических основ методов машинного обучения;
Умение выполнять кластеризацию и визуализацию данных;
Умение обучать основные модели машинного обучения, оценивать их качество;
Знание основных видов и архитектур искусственных нейронных сетей и подходов к их обучению;
Способность применять методы машинного обучения и методы оптимизации к задаче определения пространственной структуры белковых структур;
Умение работать с Python-модулем Biopython, имеет представление о базовой структуре каркаса белковой молекулы;
Умение пользоваться инструментом AlphaFold для моделирования пространственной структуры белка;
Знание основных видов и архитектур искусственных нейронных сетей и подходов к их обучению.

Содержание учебной дисциплины

Введение в анализ данных
Основы математической статистики
Введение в машинное обучение. Основные термины, постановки задач и примеры применения.
Регрессионные методы и модели
Методы классификации.
Решающие деревья и композиции моделей
Обучение без учителя и кластеризация
Основы искусственных нейронных сетей
Введение в задачи компьютерного зрения в биологии и медицине
Трансформеры: основа архитектуры и применение в биоинформатике.
Обзор ИИ-инструментов для биологии и медицины

Элементы контроля

Домашнее задание
Контрольная работа

Промежуточная аттестация

2025/2026 2nd module
0.45 * Домашнее задание + 0.45 * Контрольная работа + 0.1 * Контрольная работа

Список литературы

Авторы

Мартынова Ольга Владимировна
Яхина Мария Рафаиловна
Вартанов Сергей Александрович

Программа дисциплины