課程資訊
課程名稱
計算生物學原理與應用
Introduction and Application of Computational Biology Methods 
開課學期
103-2 
授課對象
共同教育中心  統計碩士學位學程  
授課教師
盧子彬 
課號
EPM5009 
課程識別碼
849 U0370 
班次
 
學分
全/半年
半年 
必/選修
選修 
上課時間
星期三6,7,8(13:20~16:20) 
上課地點
公衛214 
備註
大學部三年級(含)以上可選修。本課程為學程甲組(生醫資訊與生物統計學組)選修課程之一。
限學士班三年級以上
總人數上限:30人 
Ceiba 課程網頁
http://ceiba.ntu.edu.tw/1032EPM5009_CB 
課程簡介影片
 
核心能力關聯
核心能力與課程規劃關聯圖
課程大綱
為確保您我的權利,請尊重智慧財產權及不得非法影印
課程概述

本課程主旨在於介紹計算方法如何應用於當代的生物醫學與公共衛生學研究,目的在於提供學生漸進式的介紹,內容將包括演算方法開發原理與其背後之生物意義。因此,課程首先將由介紹生物學及程式撰寫基本功能開始,奠定基礎後,後段課程內容將針對各式分析與常用的演算法進行原理介紹,並要求學生實際利用撰寫程式進行實作,以了解演算法應用之內容,最終將以高通量資料介紹作結,讓學生體會未來計算能力將在研究及實務應用上均扮演重要角色。 

課程目標
訓練學生了解各式演算法內容並具備實際上機撰寫程式能力 
課程要求
程式語言撰寫及基礎生物學能力 
預期每週課後學習時數
 
Office Hours
另約時間 
指定閱讀
1) R軟體應用統計方法, 陳景祥, 東華書局, 2009 
參考書目
1) Bioinformatics, Andreas D. Baxevanis and B.F. Francis Ouellette 3rd ed., 2005
2) Data mining with R, learning with case studies. Luis Torgo. Taylor and Francis Group. 2012
 
評量方式
(僅供參考)
 
No.
項目
百分比
說明
1. 
課堂討論 
10% 
 
2. 
課堂實作 
50% 
 
3. 
期中報告 
20% 
 
4. 
期末報告 
20% 
 
 
課程進度
週次
日期
單元主題
第1週
2/25  計算生物學介紹
Introduction of computational biology
 
第2週
3/04  生物核心能力 (I) – 基礎遺傳學、演化機制
Concept of biology (I) – genetics and evolution
 
第3週
3/11  生物核心能力 (II) – 基礎分子生物學與基因調控機制Concept of biology (II) – molecular biology and gene regulation mechanism 
第4週
3/18  程式核心能力 (I) – 資料輸出與輸入、統計檢定與迴歸模型
Concept of programming in R (I) – data processing, statistical tests and regression models
 
第5週
3/25  程式核心能力 (II) – 程式邏輯控制、迴圈撰寫
Concept of programming in R (II) – Programming logic
 
第6週
4/01  溫書假
Holiday 
第7週
4/08  程式核心能力 (III) –程式邏輯控制、隨機取樣、繪圖 Concept of programming in R (III) – Programming logic, random sampling and creating plots  
第8週
4/15  基因演算法
Genetic Algorithm
 
第9週
4/22  演算法分析介紹 – 以排序方法為例介紹時間與空間複雜性 Algorithm comparison – introduction of time and space complexity  
第10週
4/29  高通量資料分析介紹 – 以基因表現微陣列為例High-throughput data (Gene Expression Microarray) 
第11週
5/06  期中報告
Midterm presentation 
第12週
5/13  演化分析 – 演化樹與最大節約法
Methods in evolution – phylogenetic tree and maximum parsimony
 
第13週
5/20  序列排比分析 Sequence analysis  
第14週
5/27  交互驗證與排列 – 資料重複性與預測性
Cross-validation and Permutation – reproducibility and predictability
 
第15週
6/03  機器學習方法 (向量支持模型與決策樹)
Machine learning methods (SVM, CART)
 
第16週
6/10  高通量資料分析介紹 – 以次世代定序技術為例
High-throughput data (Next Generation Sequencing)
 
第17週
6/17  期末報告
Final presentation 
第18週
6/24  研究實例分享與期末報告撰寫
Research examples and final report