Bioinformatik

Programmiertechniken mit Python im Kontext biologischer Problemstellungen:

• Variablen, Datentypen, Operatoren, Kontrollstrukturen, Funktionen
• Sequenzielle Datentypen, Zuordnungen und Mengen
• Konzepte der Objektorientierten Programmierung und Modularisierung
• IO Funktionalitäten lokal und im Netz

Laufzeitumgebung mit Compiler und Google Colab

• Die Studierenden konzipieren und implementieren strukturierte Programme zur Lösung komplexer fachbezogener Problemstellungen und integrieren dabei grundlegende Prinzipien der Softwareentwicklung mit Fokus auf Effizienz und Wartbarkeit.

• Die Studierenden analysieren vorliegende Anforderungen an bioinformatische Anwendungen, wählen geeignete Programmierparadigmen aus und reflektieren die Auswirkungen ihrer Entscheidungen auf Funktionalität, Skalierbarkeit und Reproduzierbarkeit.

Blended learning

Immanente Leistungsüberprüfung: Präsentation der Übungen und schriftliche Prüfung

Zentrale algorithmische Paradigmen (brute force, branch and bound, divide and conquer, greedy, …. ) werden anhand klassischer wie auch aktueller bioinformatischer Problemstellungen besprochen. Weiters werden wahrscheinlichkeitstheoretische und graphentheoretische Ansätze, sowie einige Aspekte aus der theoretischen Informatik (Komplexitätstheorie) vorgestellt.

• Die Studierenden analysieren algorithmische Konzepte hinsichtlich ihrer Effizienz, Skalierbarkeit und Anwendbarkeit in komplexen Problemstellungen und bewerten deren Eignung für die spezifischen Anforderungen der Fragestellung kritisch.

• Die Studierenden evaluieren und implementieren Algorithmen zur Lösung strukturierter und unstrukturierter Probleme unter Berücksichtigung unterschiedlicher Datenstrukturen, Laufzeitverhalten und Ressourcenanforderungen.

Blended learning

Endprüfung: Schriftliche Prüfung sowie Beurteilung der praktischen Aufgabenstellungen

Grundlagen in R für Data Science

• Einführung in R zur Daten Analyse
• Einführung in Data Science und relevante Methoden
• Überblick über verfügbare R Pakete 
• Überblick verschiedener analytischer Verfahren bis hin zu Big Data Methoden
• Einblick in Visualisierungen
• Vor- und Nachteile der Darstellungen und Methoden

• Studierende entwickeln R Skripte zur optimierten und effizienten naturwissenschaftlichen Datenanalyse und argumentieren ihre Analyseentscheidungen in strukturierter From.

• Studierende integrieren R Pakete im Bereich Data Science und Visualisierung in ihre Anwendungen und konzipieren verständliche und strukturierte Reports ihrer Analyseergebnisse.

Blended learning

Immanente Leistungsüberprüfung: Beurteilt wird eine aktive Mitarbeit, sowie die Übungsarbeiten und Präsentationen.

Diese Vorlesung führt in den Umgang mit einer Shell ein.

• Es werden Unterschiede in der Shell zwischen unterschiedlichen Betriebssystemen besprochen. 
• Es wird eine Arbeitsumgebung für weitere Lehrveranstaltungen eingerichtet.
• Grundlegende Unix Shell Befehle und Möglichkeiten werden vermittelt.
• Die Verbindung und der Umgang mit Linux Servern über Command Line Tools wird erklärt und geübt.
• Studierende lernen, eigene Shell Skripte zu schreiben.

• Studierende entwickeln Shell Skripte die eine effiziente, optimierte und sichere Arbeitsweise garantieren.

• Studierende integrieren die Verwendung von Linux Server Ressourcen in ihre Analyseschritte und konzipieren Analyseabläufe welche in einer Serverumgebung umgesetzt werden können.

Blended learning

Immanente Leistungsüberprüfung: Übungsaufgaben und schriftlicher Test

Deskriptive, induktive und explorative Statistik mit Fokus auf explorativer Statistik, Hypothesenerstellung und -testung, multiples testing problem; Einführung in R, Grundlegender Umgang, einfache Beispiele. Es wird mit der Statistik-Software „R“ gearbeitet (Freeware).

• Die Studierenden interpretieren komplexe statistische Ergebnisse kritisch, kommunizieren diese verständlich und leiten daraus fundierte Entscheidungen für Forschung oder Praxis ab.

• Die Studierenden wählen fortgeschrittene statistische Methoden unter Berücksichtigung der Datenstruktur und Fragestellung aus, wenden diese korrekt an und reflektieren deren Aussagekraft im Kontext wissenschaftlicher Evidenz.

• Die Studierenden wenden Konzepte der deskriptiven und inferenzstatistischen Analyse eigenständig auf komplexe Datensätze an, bewerten die statistische Aussagekraft der Ergebnisse kritisch und begründen ihre methodischen Entscheidungen im fachlichen Diskurs.

Blended learning

Immanente Leistungsüberprüfung: Übungsbeispiele, Mitarbeit, schriftliche Prüfung

Teil1: Proteomics Grundlagen, Analysen von Proteinen mittels Massenspektrometrie (MS) mit Fokus auf bottom-up shotgun MS Datenanalyse:

• Identifikation von Peptiden & Quantifizierung,
• Datenbanken, öffentliche Repositories,
• Qualitätskontrolle,
• Anwendungen und statistische Analyse

Teil2: Metabolomics Grundlagen:

• Metabolite und deren Analysemethoden
• Anwendungsfelder für Metabolomics
• Datentypen und Formate: Überblick über die gängigen Datentypen (z. B. Massenspektren, Chromatogramme) und eine Einführung in Standardformate (z. B. mzML, mzXML)
• Werkzeuge zur Datenanalyse
• Von Metabolomics zu Systembiology

• Studierende verstehen die spezifischen Eigenheiten von Proteomics-Daten (MS1/MS2, PTMs)

• Studierende analysieren Proteomics-Daten und entwickeln Analyseverfahren welche die nötigen Arbeitsschritte in einer automatisierten Weise implementieren.

• Die Studierenden integrieren bioinformatische Tools und Pipelines (z. B. XCMS, MetaboAnalyst) zur Verarbeitung und Analyse von Metabolomics-Daten, um Muster und Unterschiede in biologischen Datensätzen zu identifizieren.

Blended learning

Endprüfung: schriftliche Prüfung

Im Labor (wet lab) wird DNA extrahiert und eine Sequenzierung durchgeführt. Die erzeugten Daten werden analysiert und interpretiert.

• Studierende reflektieren, wo Störfaktoren wie z.B. Kontamination oder Batch Effekte im Labor entstehen, welchen Bias die Erzeugung von Daten hat und deren Auswirkungen auf die Datenanalyse.

• Studierende bewerten geeignete Arbeitsmethoden im molekularbiologischen Labor und setzen ein biologisches Experiment basierend auf SOPs und Laboranweisungen strukturiert um.

Flipped classroom, mit Laborübung und anschließendem Analyseprojekt

Immanente Leistungsüberprüfung: Protokoll der Ergebnisse der Übung

Theoretische Grundlagen in der Genom- und Transkriptomanalyse:

• Einführung in die Themenbereiche Genomik und Transkriptomik, inklusive der Erzeugung der Daten.
• Softwarelösungen und Algorithmen im Bereich Genomik und Transkriptomik

Praktische Analysebeispiele aus Genomik und Transkriptomik. Anwendung entsprechender bioinformatischer Werkzeuge für

• Qualitätskontrolle und Prozessierung von Sequenzierdaten
• Assemblieren von Genomen und Transkriptomen.
• Mappen (Alignen) von Sequenzdaten
• Spezialisierte Beispiele aus dem Themenbereich (z.B. scRNA-Seq, ChIP-Seq o. a.)

• Studierende sind in der Lage, mit den Datentypen und Formaten aus Genomics und Transcriptomics-Experimenten umzugehen und diese zu analysieren.

• Die Studierenden analysieren komplexe Genom- und Transkriptomdaten unter Einsatz spezialisierter bioinformatischer Tools und leiten daraus biologisch und klinisch relevante Erkenntnisse unter Berücksichtigung aktueller Forschung ab.

• Die Studierenden bewerten Sequenzierungsstrategien sowie Datenanalyseverfahren hinsichtlich ihrer Eignung für spezifische Fragestellungen in Genomics und Transcriptomics und begründen methodische Entscheidungen im wissenschaftlichen Diskurs.

Blended learning, flipped classroom

Immanente Leistungsüberprüfung: Praktische Übungsaufgaben und schriftlicher Test

Aktuelle Themen der Bioinformatik werden anhand von Beispielen aus der Forschung bzw. Industrie erörtert.

Absolvent*innen erzählen von ihrem Werdegang und den Erfahrungen, die sie nach dem Studium gemacht haben.

Es soll ein Überblick über die aktuelle Entwicklung des Feldes gegeben werden, sowie den Anforderungen und Erwartungen die an Absolvent*innen gestellt werden.

Den Studierenden sollen mögliche Themen für die Masterarbeit näher gebracht werden.

• Studierende reflektieren über das lokale Feld der Bioinformatik und leiten daraus Optionen für Optimierung und Innovation ab.

• Studierende evaluieren die derzeitigen beruflichen Anforderungen an Studierende und Absolvent*innen.

Seminarreihe mit Vorträgen und Diskussionen

Immanente Leistungsüberprüfung: Schriftlicher Report und Diskussionen

Kurze Einführung in die Grundlagen der Epigenetik

• Mechanismen der epigenetischen Regulation: DNA-Methylierung, Histonmodifikationen, Chromatin-Struktur, und nicht-kodierende RNAs.
• Unterschiede zwischen genetischen und epigenetischen Veränderungen.

Epigenetische Datentypen und Experimentelle Verfahren zur Erzeugung epigenetischer Daten

• DNA-Methylierungsdaten (z. B. aus Bisulfit-Sequenzierung), Histonmodifikationsdaten (z. B. aus ChIP-Seq), Daten zur Chromatinzugänglichkeit (z. B. ATAC-Seq, DNase-Seq), Transkriptionelle Auswirkungen durch nicht-kodierende RNAs (z. B. miRNAs, lncRNAs).
• Überblick über spezifische Sequenzierungstechnologien (z. B. WGBS, RRBS), Methoden für ChIP-Seq und ATAC-Seq.

Bioinformatische Analyse epigenetischer Daten

• Identifikation differenziell methylierten Regionen (DMRs) und Vergleich zwischen Proben.
• Erkennung von Histonmodifikationsmustern und deren biologischer Interpretation.
• Analyse von Chromatinzugänglichkeit und deren Beziehung zur Genexpression.
• Einführung in gängige bioinformatische Tools

Datenbanken

• Überblick über relevante Datenbanken (z. B. ENCODE, GEO, Roadmap Epigenomics).

Anwendungsbeispiele mit Interpretation und Visualisierung

• Darstellung epigenetischer Daten (z. B. Heatmaps, Genome Browser).
• Interpretation der Ergebnisse in einem biologischen und klinischen Kontext.

• Epigenetische Biomarker in der Medizin (z. B. Krebsdiagnostik).
• Rolle der Epigenetik in der Entwicklung und Umweltantwort.

• Die Studierenden können bioinformatische Werkzeuge und Methoden zur Analyse epigenetischer Daten, wie DNA-Methylierung und Histonmodifikationen, anwenden und differenziell methylierten Regionen sowie epigenetische Muster in experimentellen Datensätzen identifizieren.

• Die Studierenden sind in der Lage, epigenetische Daten (z. B. aus ATAC-Seq oder ChIP-Seq) zu integrieren, zu visualisieren und ihre Bedeutung im Kontext biologischer Fragestellungen wie Genregulation und Krankheitsmechanismen zu interpretieren.

Blended learning

Immanente Leistungsüberprüfung: Protokoll und Präsentation

Diese Vorlesung gibt eine Einführung in die Grundlagen der Protein- und RNA-Struktur mit Hilfe von Top-Down- und Bottom-Up-Ansätzen für Strukturvorhersagen.

• Einführung in experimentelle Methoden zur Strukturbestimmung von Biopolymeren
• In-Silizium-Vorhersage der RNA-Struktur
• Genomweite Screens der RNA-Struktur
• Einführung in die grundlegenden Strukturprinzipien von Proteinen
• In-Silizium-Vorhersage der Sekundär- und Tertiärstruktur von Proteinen mit physikalisch basierten, statistischen und Deep-Learning-Ansätzen
• Benchmarking von Strukturvorhersagewerkzeugen, einschließlich neuer Deep-Learning-Modelle
• Visualisierungen von RNA- und Proteinstrukturen

Molecular Design:

• von der Beschreibung kleiner Moleküle bis zu Protein-Ligand- und RNA-Ligand-Komplexen sowie Protein-RNA-Wechselwirkungen
• Prinzipien der strukturbasierten Arzneimittelentdeckung
• Grundsätze der Struktur- und Clustering-Methoden für kleine Moleküle
• experimentelle und In-silico-Methoden für das Fragment-Screening
• ncRNA bei menschlichen Krankheiten
• Pharmakophormodelle
• Krankheitsnetzwerke
• Molekulares Docking 
• Repurposing von Arzneimitteln

• Studierende evaluieren und implementieren Methoden zur Strukturvorhersage von RNA und Proteinstrukturen.

• Studierende integrieren Programme zur Vorhersage von RNA und Proteinstrukturen in ihre Analysen und reflektieren deren Ergebnisse.

• Studierende verstehen die Prinzipien des molekularen Designs und können dieses praktisch umsetzen.

Blended learning

Immanente Leistungsüberprüfung: Übungen und ein Abschlussprojekt

Grundlagen von Machine Learning und AI

• Einführung in ML-Algorithmen: Überwachtes, unüberwachtes und verstärkendes Lernen.
• Vergleich von ML und traditionellen statistischen Ansätzen.
• KI-Konzepte und aktuelle Methoden.

Kernalgorithmen und biologische Anwendungsbeispiele

• Klassifikation: z.B. Vorhersage von Krankheitsrisiken aus Genomdaten.
• Clustering: z.B. Entdeckung von Zelltypen in Single Cell Daten (z. B. scRNA-Seq).
• Regression: z.B. Modellierung von Genexpression basierend auf epigenetischen Profilen.

Deep Learning für komplexe Daten

• Einführung in neuronale Netze und Convolutional Neural Networks (CNNs) für Bildanalyse (z. B. Mikroskopiedaten).
• Einsatz von Recurrent Neural Networks (RNNs) z.B. für Sequenzanalysen.

Werkzeuge und Frameworks

• Bioinformatische Tools und Libraries in Python
• Spezialisierte Plattformen wie DeepVariant oder AlphaFold.

Herausforderungen und ethische Aspekte

• Interpretierbarkeit von ML-Modellen in der Biologie.
• Umgang mit Bias und Unsicherheiten in biologischen Daten.
• Datenschutz und ethische Implikationen in der Gesundheitsforschung.

• Die Studierenden evaluieren grundlegende Machine-Learning-Algorithmen wie Klassifikation, Clustering und Regression auf bioinformatische Datensätze, um biologische Muster und Vorhersagen zu identifizieren.

• Die Studierenden implementieren und bewerten, Deep-Learning-Techniken wie Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs) für spezifische bioinformatische Anwendungen.

• Die Studierenden entwickeln Methoden zur Vorbereitung und Analyse von bioinformatischen Daten, dabei integrieren sie stat of the art Tools und Frameworks und reflektieren zu ethischen und datenschutzrechtlichen Herausforderungen.

Blended Learning

Immanente Leistungsüberprüfung: Übungsbeispiele sowie eine Projektarbeit am Ende

Datenhandling und -aufbereitung

• Laden und Speichern von Daten in verschiedenen Formaten (CSV, Excel, JSON).
• Vorverarbeitung von biomedizinischen Daten: Bereinigung, Normalisierung, und Transformation.

Arbeiten mit biomedizinischen Bibliotheken

• Nutzung von pandas für Datenrahmenoperationen.
• Visualisierung von Daten mit matplotlib und seaborn.
• Analyse von biomedizinischen Sequenzdaten mit Biopython.

Verarbeitung großer Datensätze

• Arbeiten mit großen biomedizinischen Datensätzen mithilfe von Dask und SQL.
• Grundlagen der Parallelisierung und Effizienzsteigerung.

Beispiele aus Bioinformatik-spezifischen Anwendungen

• z.B. Analyse von Genom-, Proteom- und Transkriptomdaten.
• z.B. Visualisierung von Netzwerken und biologischen Beziehungen (z. B. mit NetworkX).

• Die Studierenden analysieren und strukturieren biomedizinische Datensätze mit Python, sowie gängigen Bibliotheken aus dem Data Science Feld zur Optimierung und Visualisierung.

• Die Studierenden entwickeln Methoden um zwischen kleinen und große biomedizinischen Datensätze effizient zu skalieren und bewerten Konzepte der Parallelisierung und Speicheroptimierung im Kontext ihrer Anwendung.

Blended learning

Immanente Leistungsüberprüfung: Abgabe von Programmierbeispielen

In der Lehrveranstaltung werden allgemeine Themen der Statistik behandelt:

Einführung in statistische Modelle und deren Bewertung:​

• Kritische Bewertung der Aussagekraft statistischer Ergebnisse.

Anwendung statistischer Software:

• Anwendung von R/Python für bioinformatische Datenanalysen und Modellierung sowie die Nutzung spezieller Bibliotheken.

Statistische Methoden zur Datenintegration

• Zusammenführung und Harmonisierung heterogener Datensätze (z. B. Genom-, Proteom-, und Metabolomdaten).
• Metaanalyse und Pooling-Strategien für biologische Studien.
• Umgang mit fehlenden Daten: Imputationstechniken.

• Studierende bewerten statistische Methoden im Sachkontext der Biostatistik, und reflektieren die Anwendbarkeit auf die spezifische Fragestellung.

• Studierende entwickeln statistische Lösungen zur integration von biomedizinischen Daten aus heterogenen Datenquellen.

Blended learning

Immanente Leistungsüberprüfung: Übungen und Prüfung

Grundlagen des Cloud Computing:

• Konzepte und Service-Modelle sowie Ressourcenmanagement.
• Vergleich von Cloud-Architekturen.

Technologien und Plattformen:

• Nutzung gängiger Cloud-Plattformen.
• Automatisierung und Orchestrierung.
• Datenmanagement und Speicherlösungen in der Cloud.

Sicherheit und Skalierung:

• Cloud-Sicherheitsprinzipien (Datenverschlüsselung, Zugriffsmanagement).
• Skalierungsstrategien für Anwendungen und Services (Auto-Scaling, Load Balancing).
• Kostenmanagement und Effizienz in Cloud-Umgebungen.

• Studierende integrieren Cloud-Umgebungen in ihre Analysen und entwickeln optimierte Lösungen für diese Art von Umgebung.

• Studierende reflektieren die Vor- und Nachteile von Cloud Umgebungen und setzen diese differenziert und unter Einhaltung der FAIR Datenstandards und Datenschutzrichtlinien ein.

Blended learning

Immanente Leistungsüberprüfung: Praktische Übungen und Abschlussprojekt sowie schriftliche Prüfung

Grundlagen der Containerisierung und Virtualisierung:

• Einführung in Container-Technologien (z.B. Docker).
• Erstellung, Verwaltung und Optimierung von Containern für bioinformatische Anwendungen.
• Vergleich von Containern und virtuellen Maschinen im Kontext der Bioinformatik
• Entwicklung reproduzierbarer und portabler bioinformatischer Pipelines.

Grundlagen Versionskontrolle und Collaboration: 

• Einführung in die Versionierung und Methoden der Teamarbeit in der IT
• Einführung in Git und GitLab, einschließlich der Automatisierung von Prozessen mit Git-Hooks und GitLab CI/CD.

• Studierende beherrschen den strukturierten Umgang mit Git/GitLab zur Verwaltung von Softwareprojekten und zur Kollaboration mit Projektpartnern.

• Studierende entwickeln, eigenständig reproduzierbare Softwareumgebungen im bioinformatischen Kontext mithilfe von Containerimages.

Blended learning

Immanente Leistungsüberprüfung: Praktische Übungen und Abschlussprojekt sowie schriftliche Prüfung

Einführung in die Automatisierung:

Einführung in die Notwendigkeit und den Zweck der Automatisierung  in der Bioinformatik. 

Workflowsysteme:

GNU-Make (Verständnis der Grundlagen der Automatisierung in der Bioinformatik).

Erkundung moderner Workflow-Management-Systeme, die im Bereich der Bioinformatik verwendet werden. z.B. Galaxy, Nextflow, Snakemake

Praktische Übungen durch die Erstellung von Skripten zur Automatisierung.

• Studierende evaluieren die Struktur und die Regeln unterschiedlicher Workflow Design Ansätze und entwickeln optimierte Workflows zur spezifischen Fragestellung.

• Studierende synthetisieren einen effizienten bioinformatischen Workflow aus komplexen Arbeitsschritten eines Analyseprozesses.

Blended learning

Immanente Leistungsüberprüfung: Praktische Übungen und Abschlussprojekt sowie schriftliche Prüfung

Anwendung der theoretisch vermittelten Lehrinhalte, Arbeiten mit Datenbanken und Bedienen von Datenbanken

• Grundlagen und Architekturen von Datenbanksystemen
• Transaktionskonzept und SQL-Kern
• Entity Relationship (ER) Modell
• Relationales Modell
• Relationaler Datenbankentwurf
• Datenbankimplementierung mit SQL-DDL
• Praktische Entwurfsaufgabe in der Kleingruppe

• Studierende verstehen den Anwendungsbereich von Datenbanksystemen und können Anforderungen an Datenbanken erkennen und zuordnen.

• Studierende können relationale Datenbanken entwerfen, implementieren und verwalten.

Flipped classroom, blended learning

Immanente Leistungsüberprüfung: Präsentationen und Mitarbeit sowie Abgabe einer praktischen Projektaufgabe

Softwareentwicklung mit Python, es wird auf die Planung und Umsetzung von Softwareprojekten eingegangen.

Es wird anhand von praktischen Beispielen auf folgende Bereiche eingegangen:
- Verwendung von Strings und Containerklassen 
- Datenmodellierung mit Klassen
- Erstellen von Graphischen Benutzeroberflächen (GUI) mit QT

Nicht sprachbezogene Schwerpunkte sind:
- Verständnis für Projektplanung und den Entwicklungszyklus
- Effizienter Entwicklungsablauf bei kleinen Projekten
- Klarer Programmierstil

• Die Studierenden bewerten Software Design Entscheidungen und konzipieren effiziente und optimierte Softwarelösungen.

• Die Studierenden reflektieren den Softwareerstellungsprozess und synthetisieren eine Vorgehensweise die den Regeln der Effizienz, Reproduzierbarkeit und Transparenz folgt.

Blended learning

Immanente Leistungsüberprüfung: Übungen und Praktische Arbeit zum Vorlesungsende

Die Studierenden lernen, commandline-tools anzuwenden um bioinformatische Analysen zu skripten, um genetische Auffälligkeiten zu detektieren.

Anforderungen an die Software bzw. Datenanalyse bei klinischen Studien. Analysen die im Rahmen der personalisierten Medizin relevant sind (z.B. genetische Marker) und deren Anforderungen an das Datenmanagement und die Datensicherheit.

• Die Studierenden entwickeln bioinformatische Methoden, die den Reglen der Anwendung im klinischen Umfeld entsprechen.

• Studierende verantworten in ihren Applikationen die ethischen und datenschutzrechtlichen Hintergründe die mit der Analyse von medizinischen Daten einhergehen.

Blended learning

Immanente Leistungsüberprüfung: Übungen und praktisches Abschlussprojekt

Einführung in Biomarker und ihre Rolle:

• Definition und Klassifikation von Biomarkern (diagnostisch, prognostisch, prädiktiv).
• Anwendungen von Biomarkern in personalisierter Medizin und Krankheitsüberwachung.
• Beispiele für Biomarker in Genomik, Proteomik und Metabolomik.

Datenanalyse und Validierung von Biomarkern:

• Nutzung bioinformatischer Methoden zur Identifikation und Analyse potenzieller Biomarker.
• Statistische und maschinelle Lernansätze für prädiktive Modellierung.
• Validierungsstrategien: Robustheit, Reproduzierbarkeit und klinische Relevanz.

Anwendungen in der prädiktiven Medizin:

• Integration von Multi-omics-Daten zur Vorhersage von Krankheitsrisiken und Therapieansprechen.
• Entwicklung prädiktiver Modelle für individuelle Behandlungsstrategien.
• Herausforderungen und ethische Aspekte der Biomarker-Nutzung in der Medizin.

• Die Studierenden können bioinformatische Methoden anwenden, um potenzielle Biomarker aus Multiomics Daten zu identifizieren und deren prädiktive Relevanz durch statistische und maschinelle Lernansätze zu analysieren

• Die Studierenden sind in der Lage, prädiktive Modelle für personalisierte medizinische Anwendungen zu entwickeln und die Validität sowie klinische Anwendbarkeit von Biomarkern kritisch zu bewerten.

Blended learning

Immanente Leistungsüberprüfung: Übungen während der Vorlesung sowie Prüfung

Teil1: Vermittlung des essenziellen Know Hows zum Thema "Software als Medizinprodukt":

• Was ist ein Medizinprodukt, welche rechtliche Basis hat es, wie ist es definiert und abzugrenzen? Wann kann Software ein Medizinprodukt sein?
• Welche Phasen der Entwicklung eines Medizinproduktes gibt es, was ist im Zusammenhang damit zu beachten? Qualitätssicherungsmaßnahmen und aktuelle Anforderungen aus sich ändernden Rechtsmaterien (MDR - Medical Device Regulation). Ein weiterer Schwerpunkt im o.a. Kontext wird auf die Validierung von Software als Medizinprodukt gelegt, in welcher auch die klinische Prüfung mit behandelt wird.

Teil 2: Legale Grundlagen bzgl. der Integration von AI Algorithmen in medizinischer Software (AI Act) sowie die Umsetzung der DSVG in bioinformatischen Softwarelösungen.

• Studierende sind in der Lage (Software als) Medizinprodukt zu definieren und abzugrenzen, sowie die Phasen der Entwicklung von Medizinprodukten zu nennen.

• Studierende kennen die Grundlagen zur operationalen Durchführung von Projekten zur Entwicklung von Medizinprodukten, insbesondere Validierung von Software als Medizinprodukt.

• Studierende kennen die rechtlichen Anforderungen an Medizinprodukte und Software im medizinisch- naturwissenschaftlichen Umfeld.

Blended learning

Immanente Leistungsüberprüfung: Übungsaufgaben und Präsentationen

Grundlagen des IT-Projektmanagements:

• Einführung in Projektmanagement-Methoden (z. B. Wasserfall, Agile, Hybrid).
• Projektlebenszyklus: Initiierung, Planung, Durchführung, Überwachung und Abschluss.
• Rollen und Verantwortlichkeiten in IT-Projekten (z. B. Projektmanager, Scrum Master).

Werkzeuge und Techniken:

• Nutzung von Projektmanagement-Tools.
• Ressourcen-, Zeit- und Kostenmanagement in IT-Projekten.
• Risikomanagement und Change-Management im IT-Umfeld.

Team- und Kommunikationsmanagement:

• Förderung von Zusammenarbeit und effizienter Kommunikation in interdisziplinären Teams.
• Konfliktlösung und Stakeholder-Management.
• Erfolgskriterien und Evaluierung von IT-Projekten.

Beispiele aus dem medizinisch/naturwissenschaftliche Umfeld.

• Die Studierenden können Projektmanagement-Methoden und -Werkzeuge anwenden, um IT-Projekte effizient zu planen, durchzuführen und deren Fortschritt sowie Ressourcen zu überwachen.

• Die Studierenden sind in der Lage, effektive Kommunikationsstrategien und Teammanagement-Techniken einzusetzen, um die Zusammenarbeit in interdisziplinären IT-Projektteams zu fördern und Stakeholder-Anforderungen erfolgreich zu managen.

Blended learning

Immanente Leistungsüberprüfung: Übungen sowie praktisches Projekt

Einführung in das wissenschaftliche Schreiben und das Verfassen der Themenschrift.

• Richtige Zitierweise
• Schreibworkshop

• Studierende sind in der Lage, einen qualitativ hochwertigen wissenschaftlichen Text zu verfassen.

• Studierende sind in der Lage, ihr geplantes Masterprojekt im Rahmen einer Themenschrift klar darzustellen und wissenschaftlich korrekt zu formulieren.

Blended learning

Endprüfung: Masterarbeitsproposal (Themenschrift), Praktisches Projekt

Der Inhalt dieser Lehrveranstaltung ist das Verfassen einer Masterarbeit.

Viele Studierende entwickeln Masterarbeitsthemen, forschen und verfassen ihre Masterarbeit in Kooperation mit bzw. auf Vorschlag von Unternehmen. Etwa 20% finden ein Thema mit Hilfe ihrer Lehrenden bzw. Betreuer*innen.

• Studierende können eine wissenschaftliche Arbeit auf Masterniveau verfassen.

• Studierende bearbeiten eigenständig wissenschaftliche Forschungsfragen und wählen adäquate Methoden um neue Erkenntnisse abzuleiten.

Die Masterarbeit ist in Rücksprache mit der FH-Betreuerin / dem FH-Betreuer und nach Genehmigung der Studiengangsleitung zu verfassen.

Immanente Leistungsüberprüfung: Beurteilung der Masterarbeit nach einem standardisierten Katalog.

• Anleitungen und Präsentation der Masterarbeit mit Diskussion zur Planung, Gestaltung, Durchführung, Dokumentation und Präsentation der wissenschaftlichen bzw. ingenieurtechnischen Arbeiten.
• Übung der im Rahmen der Masterprüfung abzuhaltenden Präsentation
• Was ist besonders bei der Präsentation einer wissenschaftlichen Arbeit zu beachten?
• Feedback erhalten & geben.

• Nach Absolvieren der Lehrveranstaltung können Studierende ihre Masterarbeit effektiv zusammenfassen und präsentieren. Sie kennen die Grundlagen in Bezug auf Aufbau der Präsentation, Darstellung der Ergebnisse, Präsentationsstil und Einhaltung der zeitlichen Vorgaben.

• Studierende können facheinschlägige Literatur kritisch bewerten und zusammenfassen.

• Die Studierenden sind am Ende der Lehrveranstaltung in der Lage, ein wissenschaftliches Thema aufzuarbeiten.

Präsentationen, Diskussion eines wissenschaftlichen Artikels

Immanente Leistungsüberprüfung: Beurteilung der Präsentation (Aufbau, Gestaltung der Folien, Vortragsstil, Einhaltung der zeitlichen Vorgaben)

Prüfungsgespräch über studienrelevante Inhalte.

• Die Studierenden beweisen in einem Prüfungsgespräch über die Masterarbeit und studienrelevante Inhalte ihr quervernetztes Wissen in der Bioinformatik.

• Die Studierenden können Projekte präsentieren.

Selbststudium

Endprüfung: Präsentation der Masterarbeit, Diskussion, Prüfungsgespräch