Lezione 0:

• Bioinformatica e metodi di apprendimento automatico
  
• Analisi di pattern in dati bio-molecolari
• Obiettivi e contenuti del corso

Lezione 1:

• Trascrizione e traduzione
• Espressione genica
• Biotecnologie per la misurazione dell' espressione genica
  

Materiale didattico

• MIT Biology Hypertextbook  (Libro ipertestuale utile come introduzione alla biologia molecolare)
• Ron Shamir : Introductory concepts (Introduzione alla biologia molecolare ed alle biotecnologie per l'analisi dell' espressione genica)
• S. Dudoit  et al. Introduction to Genome Biology (slide adattate dalla lecture originale di Sandrine Dudoit, Univ. Berkeley)
  
• S. Dudoit et al. Introduction to DNA microarray technologies (slide adattate dalla lecture originale di Sandrine Dudoit, Univ. Berkeley)
• M. Levine and R. Tjian, Transcription regulation and animal diversity, Nature, vol. 424, 10 July, pp. 147-151, 2003 (per approfondire la regolazione genica negli eucarioti)
  

Lezione 2:

• Livelli di analisi dell' espressione genica
  
• Preprocessing dei dati di espressione genica
• Introduzione agli algoritmi di clustering
  

Materiale didattico

• Rani Elkon (Tel Aviv University) Low level gene expression analysis (lezione dal corso Analysis of DNA  Chips and Gene Networks, Tel Aviv University)
• R. Shamir: Introduction to clustering (lezione dal corso Analysis of DNA  Chips and Gene Networks, Tel Aviv University)
  
• G. Valentini: Introduction to clustering methods for gene expression data analysis (slide)
  
• D. Amaratunga, J. Cabrera “Exploration and analysis of DNA microarray and protein array data”, Wiley, 2004 (capitolo 5, "Preprocessing Microarray data")
  
•  S. Knudsen, “Guide to the analysis of DNA microarray data”, Wiley, 2004 (capitolo 4: "Basic data analysis")
• A.K. Jain, M.N. Murty  and P.J. Flynn, Data Clustering: a Review, ACM Computing Surveys, 31(3), pp. 264-323, 1999.

Lezione 3:

• Algoritmi di clustering gerarchico
  
• Algoritmi della famiglia c-mean
  
• Applicazioni all' analisi di dati genomici
  

Materiale didattico

• D. Amaratunga, J. Cabrera “Exploration and analysis of DNA microarray and protein array data”, Wiley, 2004 (capitolo 9: "Pattern discovery")
• R. Babuska: Introduction to Fuzzy Clustering
• A. Gasch and B. Eisen, Exploring the conditional coregulation of yeast gene expression through fuzzy k-means clustering, Genome Biology vol.3(11), 2002.
  

Lezione 4:

• Stima della affidabilità di cluster individuati in analisi di DNA microarray
  
• Metodi di ensemble clustering
  
• Clustering ensemble basati su sottocampionamento dei dati e su proiezioni randomizzate.
  

Materiale didattico

• A.  Bertoni, and  G. Valentini, Random projections for assessing gene expression cluster stability, IJCNN 2005, The IEEE-INNS International Joint Conference on Neural Networks, Montreal, 2005.
• S. Dudoit and J.Fridlyand, Bagging to improve the accuracy of a clustering procedure, Bioinformatics, vol.19 (9), pp. 1090-1099, 2003.
• L. Kuncheva, Combining Pattern Classifiers (Cap.8: Combining Clustering results), Wiley, 2004.
  

Lezione 5:

• Introduzione ai problemi ed ai metodi di classificazione supervisionati
  
• Metodi di apprendimento automatico per il supporto alla diagnosi bio-molecolare
  

Materiale didattico

• T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning (cap. 2-4-7-11), Springer, 2001.
• G. Valentini Introduzione alla classificazione funzionale di tessuti e geni con metodi di apprendimento automatico (slide)

Lezione 6:

• Support Vector Machine (SVM) e metodi basati su kernel
• Applicazione di SVM alla diagnosi dei tumori basata  su dati di espressione genica
  

Materiale didattico

• N. Cristianini and J. Shawe-Taylor An Introduction to Support Vector Machines, Cambridge University Press, 2000.
•  J. Shawe-Taylor and N. Cristianini Kernel Methods for Pattern Analysis, Cambridge University Press, 2004.
• G. Valentini Introduction to Support Vector Machines (slide)
• Furey, T.S. Cristianini, N. Duffy, N. Bednarski, D. Schummer, M. and Haussler, D., Support vector machine classification and validation of cancer tissue samples using microarray expression data, Bioinformatics, 16(10) pp. 906-914, 2000.

Lezione 7:

• Applicazione di Support Vector Machine alla classificazione funzionale di geni
  

Materiale didattico

• Brown, M. et al., Knowledge-base analysis of microarray gene expression data by using  Support Vector Machines, PNAS, vol.97(1), pp. 262-267, 2000
  

Lezione 8:

• Metodi statistici univariati per la selezione di geni correlati a stati funzionali
• Metodi di apprendimento automatico per la selezione di geni correlati a stati funzionali

Materiale didattico

• Golub TR, Slonim DK, Tamayo P, Huard C, Gaasenbeek M, Mesirov JP, Coller H, Loh ML, Downing JR, Caligiuri MA, Bloomfield CD, Lander ES. Molecular classification of cancer: class discovery and class prediction by gene expression monitoring. Science 286(5439):531-7, 1999.
  
• Isabelle Guyon, André Elisseeff  An Introduction to Variable and Feature Selection, Journal of Machine Learning Research vol.3, 2003 (in questa special issue di JMLR molti articoli propongono metodi di feature selection che possono essere applicati alla selezione dei geni).

Lezione 9:

• Introduzione ai metodi  di ensemble supervisionati
• Metodi di ensemble supervisionati per l'analisi dell' espressione genica: metodi di bagging e metodi di boosting.
  

Materiale didattico

• L. Kuncheva, Combining Pattern Classifiers, Wiley, 2004.
• M. Dettling and P. Buhlmann, Boosting for tumor classification with gene expression data, Bioinformatics, vol. 19(9) pp. 1061-1069, 2003
• G.Valentini, M.Muselli and F. Ruffino, Cancer recognition with bagged ensembles of support vector machines, Neurocomputing, vol. 56, pp. 461-466, 2004.
  

Lezione 10:

• Metodi di ensemble supervisionati per l'analisi dell' espressione genica: metodi basati su random subspace e su proiezioni randomizzate.
• Metodi di ensemble ECOC per problemi di diagnosi multiclasse di patologie tumorali
  

Materiale didattico

• A. Bertoni, R. Folgieri, G. Valentini, Bio-molecular cancer prediction with random subspace ensembles of Support Vector Machines, Neurocomputing  63C:535-539, 2005.
• G. Valentini, Gene expression data analysis of human lymphoma using Support Vector Machines and Output Coding ensembles. Artificial Intelligence in Medicine  26(3) pp 283-306, 2002

Lezione 11:

• Metodi di apprendimento automatico per l'analisi della regolazione genica
  

Materiale didattico

• Middendorf, M., Kundaje, A., Wiggins, C., Freund, Y. and Leslie, C., Predicting genetic regulatory response using classification, Bioinformatics, vol.20(S1), pp. 232-240, 2004.