Analyse og visualisering af biologiske datasæt

Dette kursus fokuserer på praktiske og effektive anvendelser af R til at løse virkelige problemstillinger inden for det biologiske område. Kurset er blandt andet målrettet håndteringen af den stigende mængde af molekylære data, og vil således give de studerende redskaber til dataanalyse projekter indenfor bioinformatik og molekylær biologi samt adgang til mere avancerede emner indenfor statistik eller data science-området. 

De studerende vil lære nye metoder til at lave skalerbare analyser af datasæt med særlig fokus på at kunne fremstille hensigtsmæssige grafer og visualiseringer af deres data, som kan støtte dataanalysen og bidrage til effektiv formidling af biologiske resultater.

De fleste studerende forudsættes at have et basalt kendskab til R fra deres tidligere kurser, men der afsættes tid i den første uge til at samle alle op til et nogenlunde niveau. Hvis man er ivrig efter at lære at kode og ikke brugt R før, så skal man forvente at yde en større indsats i denne uge. 

I dette kursus bygges oven på denne viden af "basis R" gennem brug af R-pakkerne, der udgør Tidyverse (https://www.tidyverse.org/). Tidyverse (herunder ggplot2 til at lave plots) er en samling af R-pakker, der implementer en intuitiv ramme for opbygning af kommandoer til bearbejdning og plotning af data. Vi fastholder denne med fordel derefter, når vi takler de øvrige emner, som menes at være især relevant for de biologiske fag.  

Undervisningen består af videoer med forelæsninger og demonstration af analyser, samt kursusnoter, quizzer og øvelser. I undervisningstimerne lægges der meget vægt på praktiske øvelser og når der introduceres nye emner, tages der som regel udgangspunkt i små datasæt, som er nemme at importere og gode til at demonstrere de forskellige principper.

Derudover er der en længere workshop opgave hver uge med hovedfokus på en mere sammenhængende analyse af relevante datasæt fra studier omhandlende gen ekspression, genomiske data og forskellige biologisk temaer. Målet er således at de studerende får opbygget et fundament, der vil gøre det muligt at arbejde uafhængigt på egne datasæt og projekter.

OBS: For studerende med interesse for økologiske datasæt anbefales kurset ”Økologisk dataanalyse med R”. Det anbefales ikke, at man tager begge kurser.

Dette kursus indeholder bl.a.:

• Import, oprydning og klargøring af biologiske datasæt vha. R-pakkerne fra Tidyverse.
• Fremstilling af figurer vha. Tidyverse-pakken ggplot2, med henblik på publicering og/eller præsentation.
• Brug af R Markdown til at skrive, gemme og køre R-kode, samt fremstilling af rapporter som kan deles med andre.
• Anvendelse af statistiske metoder for at støtte analyseringsprocessen og drage hensigtsmæssige konklusioner ud fra resultaterne.
• Implementering af reproducerbar dataanalyse vha. funktioner og iteration (Tidyverse pakke purrr)
• Tidyverse baseret implementering af statistiske analysemetoder til bl.a. visualisering af trends og testning af hypoteser.
• Brug af clustering metoder og algoritmer, samt principal component analyse (PCA) til at lave effektiv visualisering af genomisk data.
• Brug af plots som metode til at vurdere eksperimental design og mulige artefakter
• Forståelse af baserende begreber fra maskinlæring og anvendelse af krydsvalidering indenfor den Tidyverse ramme til at evaluere en simpel klassificeringsmodel
• Afhængig af tid: præsentation af datasæt i en app vha. Tidyverse pakken Shiny