|
Kursankündigung zum WS 2010/2011:
Reading and Discussion Course about Bayesian Inference in Biological Systems
Allgemeines
Dozent:
|
|
Prof. Dr. Fabian Theis
Zimmer 02.08.039
Tel.: +49 (0)89 289-17961
Email: theis@ma.tum.de |
Betreuer:
|
|
Daniel Schmidl
Zimmer 02.08.039
Tel.: +49 (0)89 289-17961
Email: dschmidl@ma.tum.de
|
|
|
Dominik Wittmann
Zimmer 02.08.039
Tel.: +49 (0)89 289-17961
Email: dominik.wittmann@helmholtz-muenchen.de
|
Beginn:
|
|
20.10.2010
|
Zeiten:
|
|
Mittwochs, 14:15 - 15:45
|
Ort:
|
|
Helmholtz Zentrum München, Gebäude 56, Raum 163
|
Verwendbarkeit:
|
|
Masterstudiengang Mathematics in Bioscience
|
ECTS-Credits:
|
|
3
|
Wochenstunden:
|
|
2V + 0Ü
|
Sprache:
|
|
Deutsch/Englisch
|
Vorkenntnisse:
|
|
Einführung in die Wahrscheinlichkeitstheorie - Stochastik I (MA1401), Softwarekenntnisse in MATLAB/Octave
Empfohlen: Stochastische Prozesse - Stochastik III (MA3401), Markovketten (MA2404), Reading and Discussion Course in Systems Biology (MA4609), Markov Chain Monte Carlo Methods and their applications (Seminar)
|
Ziele:
|
|
Die TeilnehmerInnen sollen sich durch angeleitetes Selbststudium an eine wissenschaftliche Arbeitsweise gewöhnen. Die Themen beziehen sich auf (aktuelle)
Fragestellungen der Biomathematik und Systembiologie, wobei insbesondere auf die Bayesianische Modellierung biologischer Systeme eingegangen wird. Dazu wird durch Übungen mit Programmier-
und Simulationsaufgaben ein starker Praxisbezug sichergestellt. Neben der fachlichen Thematik liegt das Ziel des Kurses vor allem in der Stärkung der Diskussionsfähigkeit.
|
Ablauf:
Die Studenten bearbeiten jede Woche eigenständig ein Buchkapitel bzw. einen Artikel und lösen Übungsaufgaben, um das Verständnis des Stoffes zu
vertiefen. Dabei handelt es sich inhaltlich stets um einfache biologisch-mathematische Fragestellungen, was zu einer gemeinsamen Diskussion des Themas führen wird. Der Stoff wird zu Anfang jeder
Stunde von einem der Studenten in einem ca. 30-45-minütigen Vortrag zusammengefasst. Als Diskussionsgrundlage sollen die Studenten sich eigenständig zu den wöchentlichen Themen 1-2
Diskussionspunkte überlegen. Eine aktive Teilnahme der Studenten wird erwartet. Nach dem Vortrag wird über das Gelesene anhand von Beispielen und Übungsaufgaben diskutiert und das Thema
aufgearbeitet. Die Übungen bestehen aus 1-2 Aufgaben pro Woche. Hierbei werden sowohl Theorieaufgaben, als auch einfache Simulationen in MATLAB/Octave zur Anwendung kommen.
Overview:
Mathematical inference of dynamic models, such as biological systems, generally requires the fitting of model parameters to experimental data. Faced with indeterminacies
and noise in the measurements the classical maximum likelihood approaches are not always sufficient and bear little information only. Bayesian methods can help overcome these limitations and provide an easy
way to integrate prior information and modelers expertise. The seminar focuses on Baysian statistical inference in (nonlinear) ordinary and stochastic differential equations as well as key computational
tools, such as Markov Chain Monte Carlo methods, and their applications using appropriate statistical software. The course covers techniques from statistics, modeling, machine learning, and
system identification.
Topic 1:
|
|
Reverse Engineering of Regulatory Networks
|
| | References: [1] ch. 1 - 2 |
| | Introduction: Fabian Theis |
| | Date: 20.10.2010 |
| | Vortrag: PDF (23,6 MB) |
Topic 2:
|
|
Markov Processes
|
| | References: [3] ch. 5 |
| | Introduction: Saadia Faisal |
| | Date: 27.10.2010 |
| | Vortrag: PDF (174 kB) |
Topic 3:
|
|
Models for Biochemical Networks
|
| | References: [3] ch. 6 (without 6.5), [1] ch. 3, 3.1, 4 - 4.2.2 |
| | Introduction: Michael Strasser |
| | Date: 03.11.2010 |
| | Vortrag: PDF (1.9 MB) |
Topic 4:
|
|
Estimation of Parametric Nonlinear Ordinary Differential Equations
|
| | References: [1] ch. 4.2.3 - 4.4 |
| | Introduction: Katrin Illner |
| | Date: 10.11.2010 |
| | Vortrag: PDF (143 kB) |
Topic 5:
|
|
Introduction to Bayesian Model Inference
|
| | References: [1] ch. 5 - 5.3, [2] ch. 2.2, [7] |
| | Introduction: Sabine Hug |
| | Date: 17.11.2010 |
| | Vortrag: PDF (459 kB) |
Topic 6:
|
|
Markov Chain Monte Carlo Methods for Model Inference
|
| | References: [1] ch. 5.4 - 5.5, [3] ch. 9, [4] (including suppl. material) |
| | Introduction: Daniel Schmidl |
| | Date: 24.11.2010 |
| | Vortrag: PDF (1.83 MB) |
Topic 7:
|
|
Constrained State Space Models
|
| | References: [1] ch. 6 |
| | Introduction: Dennis Rickert |
| | Date: 01.12.2010 |
| | Vortrag: PDF (156 kB) |
Topic 8:
|
|
Bayesian System Identification and Model Ranking
|
| | References: [1] ch. 8 - 8.5, [5] |
| | Introduction: Sabine Hug |
| | Date: 08.12.2010 |
| | Vortrag: PDF (436 kB) |
Topic 9:
|
|
A Variational Bayesian Algorithm for Factor Analysis
|
| | References: [1] ch. 7 |
| | Introduction: Dominik Wittmann |
| | Date: 15.12.2010 |
| | Vortrag: PDF (1.5 MB) |
Topic 10:
|
|
Gaussian Process Models
|
| | References: [1] ch. 9, 8.6 |
| | Introduction: Katrin Illner |
| | Date: 12.01.2011 |
| | Vortrag: PDF (123 kB) |
Topic 11:
|
|
Parameter Estimation for Stochastic Differential Equation Models
|
| | References: [1] ch. 10 |
| | Introduction: Christiane Dargatz |
| | Date: 19.01.2011 |
| | Vortrag: PDF (2.5 MB) |
Topic 12:
|
|
Markov Chain Monte Carlo methods on manifolds
|
| | References: [6] |
| | Introduction: Daniel Schmidl |
| | Date: 26.01.2011 |
| | Vortrag: PDF (1.4 MB) |
Template für Latex-Vorträge:
Übungsblätter:
Software Links:
Literatur:
[1]
|
|
N.D. Lawrence, M. Girolami, M. Rattray, and G. Sanguinetti, Learning and Inference in Computational Systems Biology. The MIT Press, Cambridge, 2010.
|
[2]
|
|
J.M. Marin, Ch.P. Robert, Bayesian Core: A Practical Approach to Computational Bayesian Statistics. Springer-Verlag, New York, 2007.
|
[3]
|
|
D.J. Wilkinson, Stochastic Modelling for Systems Biology. Chapman & Hall/CRC, Boca Raton, 2006.
|
[4]
|
|
T. Toni and M.P.H. Stumpf, Simulation-based model selection for dynamical systems in systems and population biology. Bioinformatics 26(1), 2010.
|
[5]
|
|
M. Zhong and M. Girolami, Reversible Jump MCMC for Non-Negative Matrix Factorization.
|
[6]
|
|
M. Girolami and B. Calderhead, Riemann manifold Langevin and Hamiltonian Monte Carlo methods, JRSS B, 2010.
|
[7]
|
|
Lecture notes: Einführung in die Wahrscheinlichkeitstheorie und Statistik.
|
|
|
