CB2320 Artificiell intelligens i precisionsmedicin 7,5 hp

Kursen behandlar grunderna och tillämpningarna av artificiell intelligens inom precisionsmedicin, med särskild tonvikt på datadriven och systemnivåbaserad förståelse av mänskliga sjukdomar. Studenterna får kunskap om centrala begrepp inom multi-omics-dataanalys, inklusive genomik, transkriptomik, proteomik, epigenomik, metabolomik och metagenomik, samt hur dessa kan integreras för att ge insikt i sjukdomsmekanismer och patient-specifika responser. Vidare används genomskaliga metabola modeller och metoder såsom Flux Balance Analysis (FBA) för att undersöka metabol funktion vid hälsa och sjukdom, inklusive cancer, leversjukdomar och neurodegenerativa sjukdomar.

Kursen omfattar föreläsningar och workshops som behandlar:

• RNA-seq, kopietalsanalys,
• Metabol modellering
• Maskininlärningsmetoder för dataintegration, prediktion och identifiering av biomarkörer.
• AI-drivna modelleringsmetoder, inklusive dimensionsreduktion, feature selection och prediktiv modellering (t.ex. Cox-modeller och överlevnadsanalys), i relation till medicinska utmaningar i verkligheten.

Kursen inkluderar också kritiska perspektiv på användningen av kliniska och patienthärledda data, med avseende på datakvalitet, bias och tolkning. Under kursen förväntas studenterna även skriva en kort reflekterande essä.

Efter avslutad kurs ska studenten kunna:

• redogöra för kärnbegreppen inom precisionsmedicin och dess relevans för modern sjukvård,
• förklara betydelsen av olika typer av systembiologiska data i relation till sjukdomsbiologi,
• analysera och tolka multi-omics- och patientdata med hjälp av kvalitetskontroll, visualisering och integrativa metoder,
• integrera multi-omics-dataset för att identifiera biologiska mönster och sjukdomsmekanismer,
• tillämpa maskininlärningsmetoder och modelleringsmetoder för att bygga prediktiva modeller för cancersubtyper, biomarköridentifiering och prediktion av kliniska utfall,
• reflektera över begränsningar och etiska överväganden vid arbete med humanbaserade data inom precisionsmedicin.

För att uppnå högre betyg ska studenten dessutom kunna:

• värdera AI-baserade verktyg och multi-omics-ansatser inom personaliserad medicin
• utforma en mindre datadriven studie för en biomedicinsk frågeställning.
• kommunicera resultat från dataanalyser tydligt och effektivt i både skriftlig och muntlig form.
• visa insikt i hur beräkningsmodeller kan stödja beslutsfattande inom klinisk praxis och translationell forskning.

Avklarat examensarbete på kandidatnivå 15hp, 20hp inom cellbiologi, biokemi, mikrobiologi och genteknik/molekylärbiologi, 15 hp matematik, numerisk analys och datateknik, samt kurser i programmering motsvarande minst 5 hp.

• TEN1 - Skriftlig tentamen, 5,0 hp, betygsskala: A, B, C, D, E, FX, F
• UPP1 - Uppgift, 1,0 hp, betygsskala: P, F
• DEL1 - Deltagande, 1,5 hp, betygsskala: P, F

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter. När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

• Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
• Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
• Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.