Instytut Nauk Biologicznych

Pracownia Bioinformatyki i Biostatystyki zajmuje się szeroko pojętą działalnością naukową z zakresu analizy danych, analizy biostatystycznej, wizualizacji danych oraz tworzenia oprogramowania na potrzeby badań naukowych.

Kompetencje członków Pracowni:

dr hab. Joanna Czarnecka, prof. UMCS

tel. 81 537 59 46
e-mail: joanna.czarnecka@mail.umcs.pl

Kompetencje w zakresie biostatystyki i analizy danych: etapy prowadzenia analizy danych z zastosowaniem narzędzi statystycznych; statystyki opisowe – zastosowanie i interpretacja (średnia, mediana, odchylenie standardowe, współczynniki zmienności); błąd standardowy, poziom ufności i przedział ufności; typ rozkładu a dobór statystyk opisowych i metod analizy danych; weryfikacja hipotez statystycznych – etapy, formułowanie hipotezy zerowej i alternatywnej, dobór poziomu istotności, dobór testu, interpretacja uzyskanych wyników; testy istotności różnic między średnimi: analizy jednoczynnikowe i wieloczynnikowe (testy t-Studenta, analiza wariancji), testy post-hoc, ocena efektów eksperymentalnych; nieparametryczne odpowiedniki testów parametrycznych; analiza frekwencji (testy zgodności χ2, test χ2 niezależności dwóch zmiennych jakościowych); analiza kowariancji; korelacja i regresja (współwystępowanie a związki przyczynowo-skutkowe) – budowa i ocena istotności modeli, wykorzystanie modeli do prognozowania; analizy wielowymiarowe i ich zastosowanie w naukach przyrodniczych. Analiza log-liniowa. Prezentacja graficzna wyników analiz.

Wykonanie analiz z wykorzystaniem programu Statistica PL.

prof. dr hab. Sławomir Dresler

tel. 81 537 50 78
e-mail: 

Kompetencje w zakresie analizy danych i chemometrii:

Chemometria i wielowymiarowe techniki eksploracyjne

• Umiejętność stosowania metod chemometrycznych do analizy danych chemicznych.
• Znajomość technik eksploracji danych w kontekście wielowymiarowych zestawów danych.

Statystyka parametryczna i nieparametryczna

• Porównanie prób.

Regresja logistyczna

• Umiejętność modelowania zjawisk z wykorzystaniem regresji logistycznej w kontekście analiz danych.

Doświadczalnictwo i planowanie doświadczeń (DoE)

• Znajomość metodologii doświadczalnej oraz umiejętność projektowania eksperymentów zgodnie z zasadami DoE.
• Tworzenie i weryfikacja modeli

Walidacja metod analitycznych

dr Piotr Koper

tel. 81 537 59 76
e-mail:  piotr.koper@mail.umcs.pl

5 lat doświadczenia w bioinformatyce, ze szczególnym uwzględnieniem analizy danych NGS (Next-Generation Sequencing) genomicznych, transkryptomicznych oraz metagenomicznych (16S rRNA i shotgun).

Umiejętności techniczne:

Analiza danych NGS:

Genomika:

• Składanie (assembly) genomów prokariotycznych i eukariotycznych.
• Adnotacja genomów, identyfikacja genów i elementów strukturalnych.
• Analizy genomiki porównawczej, w tym wykrywanie i interpretacja wariantów genomowych.

Transkryptomika (RNA-Seq):

• Analiza danych RNA-Seq, w tym kontrola jakości, mapowanie odczytów i kwantyfikacja ekspresji genów.
• Analiza różnicowej ekspresji genów oraz interpretacja funkcjonalna wyników.
• Badanie izoform i splicingu alternatywnego.

Metagenomika:

• Analiza danych 16S rRNA oraz całych metagenomów.
• Taksonomiczna klasyfikacja mikroorganizmów, analiza różnorodności mikrobiologicznej.
• Analiza funkcjonalna i metaboliczna metagenomów.

Programowanie i skrypty:

Python i R:

• Tworzenie skryptów do przetwarzania i analizy danych.
• Automatyzacja zadań bioinformatycznych.
• Analiza statystyczna i wizualizacja danych z wykorzystaniem odpowiednich pakietów i bibliotek (m.in. tidyverse, ggplot2, pakiety repozytorium Bioconductor).  

Praca w środowisku Linux:

• Biegła znajomość systemu Linux i linii poleceń.
• Pisanie skryptów bash do automatyzacji zadań.
• Doświadczenie w pracy na zdalnych serwerach i klastrach HPC

Systemy kontroli wersji:

• Efektywne zarządzanie kodem źródłowym i wersjonowanie projektów.
• Współpraca w zespole poprzez platformy takie jak GitHub czy GitLab.

mgr inż. Emilia Łabuć

pokój 67B
tel. 81 537 59 21
e-mail:  emilia.labuc@mail.umcs.pl 

dr Małgorzata Pac-Sosińska

pokój 67B
tel. 81 537 59 21
e-mail:  malgorzata.pac-sosinska@mail.umcs.pl 

• Przetwarzanie danych omicznych, w tym obsługa narzędzi do analizy danych proteomicznych i immunologicznych, takich jak Mascot, Proteome Discoverer itp. Interpretacja wyników uzyskanych z technik LC-MS/MS i zastosowanie ich w badaniach nad białkami i układem odpornościowym.
• Znajomość kluczowych baz danych proteomicznych i immunologicznych, takich jak UniProt, PeptideAtlas, PRIDE oraz IEDB, IMGT, VDJdb, BCEDB, umożliwiająca efektywne wyszukiwanie, analizę i interpretację danych oraz integrację tych zasobów w badaniach.
• Znajomość języków programowania (Python, R) na poziomie umożliwiającym automatyzację analiz danych omicznych, w tym tworzenie skryptów do analizy, obróbki i wizualizacji danych.
• Doświadczenie w wykorzystaniu narzędzi do wizualizacji danych biologicznych, takich jak ggplot2 itp. w celu tworzenia zaawansowanych, czytelnych i estetycznych wizualizacji.
• Znajomość metod statystycznych, w tym testów statystycznych (t-Studenta, ANOVA, chi-kwadrat) oraz umiejętność ich implementacji i interpretacji wyników w kontekście badań biologicznych i medycznych.

dr Anna Rysiak

tel.: 81 537 50 16
e-mail: anna.rysiak@mail.umcs.pl

• Klasyczna analiza statystyczna: korelacje, testowanie istotności różnic, analiza wariancji, analiza frekwencji. Dobór testów w zależności od struktury danych – testy parametryczne i nieparametryczne.
• Transformacja danych.
• Analiza klastrowa (klasyfikacja danych) hierarchiczna, niehierarchiczna, akumulacyjna, dzieląca.
• Ordynacyjne analizy wielowymiarowe pośrednie (PCA – analiza głównych składowych; CA – analiza zgodności, DCA – nietendencyjna analiza zgodności) i bezpośrednie (RDA – analiza redundacji, CCA – kanoniczna analiza zgodności) dla danych o rozkładzie normalnymi i różnym dla normalnego w oparciu o oprogramowanie: Statistica, MVSP, Canoco 5.
• Wstępna analiza i wykorzystanie danych systemu informacji geograficznej (GIS) do integracji, zarządzania i wizualizacji przestrzennych danych środowiskowych.

dr Leszek Wawiórka

e-mail: leszek.wawiorka@mail.umcs.pl

Narzędzia chemoinformatyczne w chemii leków Computer Aided Drug-Design

• Wizualizacja struktur przestrzennych makromolekuł
• Modelowanie struktur przestrzennych makromolekuł;
• Dokowanie molekularne ligandów do struktury białkowych receptorów (Molecular Docking) oraz wirtualny screening aktywnych ligandów (Virtual Screening)
• Analiza struktury i właściwości ligandów drobnocząsteczkowych- Python rdkit
• Data-mining baz danych drobnocząsteczkowych ligandów (small- molecules) i ich receptorów
• Analiza i modelowanie relacji struktura-funkcja dla small-molecules (QSAR)

Narzędzia immunomatyczne

• przewidywanie antygenowości (np. VaxiGen, narzędzia grupy Immunomedicine)
• wykrywanie epitopów ciągłych (narzędzia IEBD, Epitopia)
• przewidywanie i modelowanie epitopów nieciągłych na podstawie danych strukturalnych (Discotope, ElliPro, SEPPA 3.0)
• Przewidywanie wiązania MHC (IEBD)
• Przewidywanie alergennych epitopów poprzez mapowanie do IgE ( AlgPred, AllerTOP )
• podobieństwo peptydów prowadzące do reaktywności krzyżowej przeciwciał (Cross-React)

Narzędzia analizy NGS

Analiza danych RNAseq

•  Przygotowanie surowych danych NGS - kontrola jakości (kontrola FASTQ)
•  Czyszczenie danych i usuwanie adapterów (trimmomatic), 
•  Genomowe wyrównanie odczytów (Hisat2)
•   Analiza ekspresji różnicowej (DE) genów za pomocą Python/Sanbomics/ R
•   Projektowanie analiz transkryptomicznych 

DataScience / AI:

•  Programowanie w języku Python
•  Obróbka danych (dane tabelaryczne, szeregi czasowe, przetwarzanie obrazu) w celach analitycznych- Exploratory Data Analysis: NumPy, Pandas, SciPy, sklearn 
•  Wizualizacja danych: Matplotlib, Seaborn
•  Inżynieria danych- feature selection / feature engineering
•  Przygotowanie danych dla modeli Machine Learning i Deep Learning- obróbka danych, “czyszczenie”, analiza   statystyczna, kodowanie zmiennych
•  Tworzenie modeli predykcyjnych Machine Learning and Deep Learning- wiele algorytmów regresyjnych,     klasyfikacyjnych i klasteryzacyjnych oraz opartych o różne architektury sieci neuronowych (tensorflow, Torch).