V průběhu semestru studenti průběžně vypracovávají a odevzdávají zadané úkoly. Na konci semestru studenti prezentují semestrální projekt a skládají písemnou zkoušku s případným ústním dozkoušením.

During the semester, students complete and submit assigned tasks. At the end of the semester, students present a semester project and take a written examination, which may be followed by an oral examination if necessary.

Doporučená:

• Z: Pfeiferová L, Kolář M, Svatoňová P, Novotný J, Dohnalová H, Pačes J (2022) Bioinformatika – Základy, VŠCHT Praha
  

  D: Irizarry RA, Love MI (2021) Data Analysis for the Life Sciences, Leanpub. Online: http://leanpub.com/dataanalysisforthelifesciences
  

  D: Real-time PCR Handbook (2016) Thermo Fisher Scientific Inc.
  

  D: Wickham H, Grolemund G (2017) R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O'Reilly Media. Online https://r4ds.hadley.nz
  

  D: Love M I, Huber W, Anders S (2014) Moderated Estimation of Fold Change and Dispersion for RNA‑seq Data with DESeq2. Genome Biology, 15, 550.
  

  D: Orchestrating Single‑Cell Analysis with Bioconductor (OSCA) (2026) Bioconductor Online Book. Online: https://osca.bioconductor.org/
  

Recommended:

• Z: Pfeiferová L, Kolář M, Svatoňová P, Novotný J, Dohnalová H, Pačes J (2022) Bioinformatika – Základy, University of Chemistry and Technology, Prague.
  

  D: Irizarry RA, Love MI (2021) Data Analysis for the Life Sciences, Leanpub. Online: http://leanpub.com/dataanalysisforthelifesciences
  

  D: Real-time PCR Handbook (2016) Thermo Fisher Scientific Inc.
  

  D: Wickham H, Grolemund G (2017) R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O'Reilly Media. Online: https://r4ds.hadley.nz
  

  D: Love MI, Huber W, Anders S (2014) Moderated Estimation of Fold Change and Dispersion for RNA-seq Data with DESeq2. Genome Biology, 15, 550.
  

  D: Orchestrating Single-Cell Analysis with Bioconductor (OSCA) (2026) Bioconductor Online Book. Online: https://osca.bioconductor.org/
  

1. Úvod: Typy funkčně genetických dat. Cíle analýz.

2. Předzpracování RT-qPCR dat: Standardní křivka. Amplifikační křivka. Prahový cyklus. Korekce pozadí. Normalizace dat.

3. Předzpracování dat z transkripčních čipů: Odstranění šumu na pozadí. Normalizace dat. Relativní a absolutní kvantifikace. Stabilizace rozptylu. Sumarizace dat.

4. Předzpracování dat z vysoce výkonného sekvenování: Sekvenační čtení. Mapování čtení. Četnosti čtení. Kontrola kvality dat.

5. Transkripční analýzy jednotlivých buněk a analýzy s prostorovým rozlišením: Analýza buněčných populací. Trajektorie. Prostorová heterogenita.

6. Explorativní analýza dat: Redukce dimenzionality. Shlukování. Kontrolní body.

7. Statistická analýza dat: Lineární modely. Statistické testy. Problém mnohonásobného testování.

8. Návrh experimentu: Výběr metody. Kontroly. Randomizace. Replikace.

9. Anotace a archivace výsledků: Genomové prohlížeče. Databáze funkčně genomických dat.

10. Biologická interpretace výsledků: Analýza obohacení genových skupin (GSEA). Databáze signálních drah. Genové ontologie.

11. Další aplikace diskutovaných metodik: Analýza jednonukleotidových polymorfismů a chromosomálních aberací (SNP, CNV, LOH). Analýza metylace DNA. Určování vazebných míst transkripčních faktorů.

1. Introduction: Types of functional genomic data. Objectives of analyses.

2. Preprocessing of RT-qPCR data: Standard curve. Amplification curve. Threshold cycle. Background correction. Data normalization.

3. Preprocessing of transcriptional microarray data: Background noise removal. Data normalization. Relative and absolute quantification. Variance stabilization. Data summarization.

4. Preprocessing of high-throughput sequencing data: Sequencing reads. Read mapping. Read counts. Data quality control.

5. Single-cell transcriptomics and spatially resolved analyses: Analysis of cell populations. Trajectories. Spatial heterogeneity.

6. Exploratory data analysis: Dimensionality reduction. Clustering. Quality control.

7. Statistical data analysis: Linear models. Statistical tests. Multiple testing problem.

8. Experimental design: Method selection. Controls. Randomization. Replication.

9. Annotation and archiving of results: Genome browsers. Functional genomics databases.

10. Biological interpretation of results: Gene set enrichment analysis (GSEA). Signaling pathway databases. Gene ontologies.

11. Additional applications of discussed methodologies: Analysis of single nucleotide polymorphisms and chromosomal aberrations (SNP, CNV, LOH). DNA methylation analysis. Identification of transcription factor binding sites.

Studenti budou umět:

• Zpracovat funkčně genetická data z RT-qPCR, DNA čipů a vysoce výkonného sekvenování.

• Pomocí explorativní analýzy dat validovat výsledky laboratorního experimentu.

• Statisticky analyzovat funkčně genetická data a provést jejich biologickou interpretaci.

• Navrhnout experiment s ohledem na technologické artefakty jednotlivých metod.

Students will be able to:

• Process functional genomic data from RT-qPCR, DNA microarrays, and high-throughput sequencing.

• Validate laboratory experiment results using exploratory data analysis.

• Perform statistical analysis of functional genomic data and carry out their biological interpretation.

• Design experiments with consideration of technological artifacts specific to individual methods.

Biochemie, Molekulární genetika, Programování v R

Biochemistry, Molecular Genetics, Programming in R