NEUROIMAGING

Il corso ha l'obiettivo di fornire conoscenze e competenze nell'analisi di big data, sia dal punto di vista teorico/metodologico che pratico/applicativo, utilizzando il software open source R. I dati utilizzati saranno relativi alla mass spectrometry imaging (MSI). Le tecniche moderne di spettrometria di massa (MS) consentono di analizzare l'abbondanza di un'ampia gamma di molecole in campioni biologici specifici, mentre l'MSI estende questa capacità generando dati di imaging spaziale, dove ogni pixel contiene uno spettro di massa.
L'innovazione costante nelle tecnologie di misurazione ha reso disponibile un'enorme quantità di informazioni multi-omiche, offrendo una visione completa dei sistemi biologici. È quindi cruciale sviluppare algoritmi scalabili e modelli statistici che possano fornire approfondimenti biologici accurati. Una corretta pulizia dei dati grezzi è essenziale per una ricerca scientifica di qualità.
Tutte queste metodologie verranno trattate utilizzando dati reali di campioni di tessuto di cervello e/o altre tipologie di organo, con particolare enfasi sulla scelta della metodologia più appropriata per l'obiettivo dell'analisi e sull'interpretazione dei risultati. Le lezioni saranno strutturate in sessioni teoriche e pratiche.
Programma
14-15 novembre: Introduzione alla tipologia di dati MSI, spiegazione del MALDI-MSI e dei dati a disposizione. Processo dal dato grezzo dello strumento alla matrice di dati da utilizzare. Revisione dei metodi di riduzione della dimensionalità, come Principal Component Analysis (PCA), t-distributed stochastic neighbor embedding (t-SNE) e Uniform Manifold Approximation and Projection (UMAP), e metodi di clustering non supervisionato come k-means, hierarchical clustering e community detection. Analisi preliminare dei dati per ottimizzare il pre-processing. Esercitazioni pratiche in R su dataset di esempio.
21-22 novembre: Sessioni pratiche in laboratorio per comprendere il funzionamento degli strumenti di imaging, tra cui MALDI-MSI, LC-MS e la preparazione e scannerizzazione dei vetrini. Incontro con tecnici di laboratorio, biologi e medici per spiegazioni dettagliate.
5-6 dicembre: Metodi statistici per l'analisi di big data, dalla regressione penalizzata a modelli avanzati che integrano informazioni spaziali. Esercitazioni pratiche in R sui dati MSI e integrazione di più dataset. Allineamento delle matrici e analisi dei dati, con lo sviluppo di strumenti utili, come app Shiny in R per rendere i dati fruibili ai medici.
12-13 dicembre: Panoramica su altre tecnologie di imaging, come la risonanza magnetica e il riconoscimento automatico delle cellule. Gli studenti presenteranno e discuteranno i propri lavori su un dataset di imaging assegnato all'inizio del corso, confrontandosi su un caso reale, affrontandone problematiche e discutendone i risultati.

Conoscenza e capacità di comprensione
• Conoscere e comprendere i principali metodi per l’acquisizione e l’analisi di dati di spettrometria di massa imaging
• Comprendere l’importanza di implementare metodologie robuste e riproducibili per l’analisi dei dati

Autonomia di giudizio
• Saper valutare la validità dei risultati ottenuti utilizzando metodi statistici standard per l’analisi dei dati, o nuovi metodi sviluppati per rispondere a specifiche domande scientifiche.
• Saper riconoscere eventuali errori tramite un’analisi critica dei metodi sviluppati/applicati

Abilità comunicative
• Saper comunicare le conoscenze apprese e il risultato della loro applicazione utilizzando una terminologia appropriata, sia in ambito orale sia scritto
• Saper interagire con il docente e con i colleghi di corso in modo rispettoso e costruttivo, in particolare durante i lavori realizzati in gruppo

Capacità di apprendimento
• Saper prendere appunti, selezionando e raccogliendo le informazioni a seconda della loro importanza e priorità
• Saper essere sufficientemente autonomi nella raccolta di dati e informazioni rilevanti alla problematica investigata

Il corso è aperto a chi possiede conoscenze di base di programmazione con l'uso del software R.

- Definizione dei metodi di registrazione e segmentazione delle immagini, in funzione della tecnica utilizzata e dell’obiettivo dell’analisi
- Presentazione delle principali tecniche di analisi statistiche per dati di spettrometria di massa imaging.
- Valutazione dei risultati ottenuti, con particolare riferimento alla loro interpretazione e alle modalità̀ di presentazione in un lavoro scientifico.

1) Modern statistics for modern biology by S. Holmes and W. Huber
2) R for Data Science by H. Wickham and G. Grolemund
3) Introduction to Statistical Learning by James, Witten, Hastie, and Tibshirani.
4) Imaging Mass Spectrometry, Methods and Protocols, Book, 2023

Il raggiungimento degli obiettivi dell'insegnamento viene valutato attraverso la partecipazione alle attività e alle esercitazioni assegnate durante il corso, ed allo svolgimento di un progetto individuale relativo all’acquisizione e/o l’analisi di dati di spettrometria di massa imaging.

Seminari: formazione in blended learning, combinando attività in modalità sincrona ed asincrona
Esercitazioni: tutorial integrato con lavoro di gruppo (peer-teaching, problem solving)

Inglese

IMPORTANTE: le lezioni inizieranno a partire dal mese di Novembre; ulteriori dettagli verranno forniti dal Campus Scientifico.

Lingua di insegnamento: Inglese


Modalità di esame: Sviluppo di una progetto individuale durante il corso

scritto