Programme Structure – old

• Standard MSc study program: This is the standard programme of two semesters of courses counting jointly 30 ECTS per semester, and one (the last) semester devoted to the diplom thesis, counting for 30 ECTS, having in toto 90 ECTS.
• MSc από ερευνητικό πρόγραμμα σπουδών: This program differs from the standard MSc study program in the second semester. Instead of having 30 ECTS from courses, only 10 ECTS are from courses and the rest 20 ECTS is for a research thesis, which continues in the third semester and counting totally for 50 ECTS, having in toto 90 ECTS.

Και για τα δύο προγράμματα υπάρχουν 6 βασικά (υποχρεωτικά) μαθήματα στο πρώτο εξάμηνο και 2 μαθήματα κορμού στο δεύτερο εξάμηνο. Τα υπόλοιπα είναι μαθήματα επιλογής που θα επιλεγούν στο τυπικό πρόγραμμα σπουδών MSc, ενώ στο πρόγραμμα MSc ανά ερευνητικό πρόγραμμα η ερευνητική διατριβή αντικαθιστά τα μαθήματα επιλογής των 20 ECTS.

In the first semester, there are two core courses for building and developing the necessary background as students have diverse education at graduate level. These two courses are organized for two groups of students and are adapted accordingly, namely for students of life science education and students of science / engineering education.

The courses, given by the sign ‘C’ for core courses and ‘E’ for elective courses are listed below.

Η Βιολογία Συστημάτων περιλαμβάνει τη μαθηματική και υπολογιστική μοντελοποίηση πολύπλοκων βιολογικών συστημάτων. Το πεδίο είναι το αποτέλεσμα της σύγκλισης και της συνέργειας τριών επιστημονικών περιοχών: 1) Ταχεία συσσώρευση λεπτομερών βιολογικών δεδομένων σε υπομοριακό, μοριακό, κυτταρικό και φυσιολογικό επίπεδο, 2) Τεχνολογική ανάπτυξη που επιτρέπει την ανάλυση βιολογικών συστημάτων in vivo με τη χρήση αισθητήρων, τεχνικών απεικόνισης , και προφίλ έκφρασης βιοδεικτών, 3) Συνδυασμένη εξέλιξη μαθηματικών, φυσικών και υπολογιστικών τεχνικών που είναι πιο ισχυρές και διαθέσιμες στο μεγαλύτερο μέρος της επιστημονικής κοινότητας από ποτέ. Αντιπροσωπεύει ένα διεπιστημονικό επιστημονικό πεδίο που εστιάζει σε πολύπλοκες αλληλεπιδράσεις εντός βιολογικών συστημάτων χρησιμοποιώντας μια ολιστική προσέγγιση στη βιολογική έρευνα. Τα περιεχόμενα του μαθήματος περιλαμβάνουν: 1) περιγραφή σύνθετων βιολογικών συστημάτων, 2) μαθηματική μοντελοποίηση βιολογικών συστημάτων, 3) στοχαστικές διεργασίες στη βιολογία (με έμφαση στην προσομοίωση και ανάλυση στοχαστικών φαινομένων σε βιολογικά συστήματα), 4) μοντέλα στατικών δικτύων , 5) μοντέλα κυτταρικής απόκρισης, συστήματα/δίκτυα γονιδίων και πρωτεϊνών, 6) δομική ανάλυση μεταβολικών συστημάτων μεταβολικών δικτύων, 8) δυναμική ανάλυση ροών μεταβολικών δικτύων, 9) ανάλυση μονοπατιών/δικτύων σηματοδότησης, 10) πληθυσμιακά συστήματα, 13) συστήματα βιολογία στην ιατρική/φυσιολογία και ανάπτυξη φαρμάκων, 14) βιολογία συστημάτων στην εξατομικευμένη ιατρική προσεγγίσεις πρόληψης και θεραπείας, 15) νέοι ορίζοντες στη βιολογία συστημάτων, 16) από τους νευρώνες στον εγκέφαλο 17) μοντέλα πολλαπλών βημάτων καρκινογένεσης, 18 ) πολυπαραγοντικές ασθένειες, φλεγμονή και τραύμα, 19) αλληλεπιδράσεις μεταξύ περιβάλλοντος και υγείας. Το μάθημα θα προσαρμοστεί στο υπόβαθρο των φοιτητών των βιοεπιστημών. Οι μαθητές θα έχουν την ευκαιρία να εργαστούν σε μικρές ομάδες με μαθητές που παρακολουθούν το μάθημα 1β (έργο).

Η Βιολογία Συστημάτων περιλαμβάνει τη μαθηματική και υπολογιστική μοντελοποίηση πολύπλοκων βιολογικών συστημάτων. Το πεδίο είναι το αποτέλεσμα της σύγκλισης και της συνέργειας τριών επιστημονικών περιοχών: 1) Ταχεία συσσώρευση λεπτομερών βιολογικών δεδομένων σε υπομοριακό, μοριακό, κυτταρικό και φυσιολογικό επίπεδο, 2) Τεχνολογική ανάπτυξη που επιτρέπει την ανάλυση βιολογικών συστημάτων in vivo με τη χρήση αισθητήρων, τεχνικών απεικόνισης , και προφίλ έκφρασης βιοδεικτών, 3) Συνδυασμένη εξέλιξη μαθηματικών, φυσικών και υπολογιστικών τεχνικών που είναι πιο ισχυρές και διαθέσιμες στο μεγαλύτερο μέρος της επιστημονικής κοινότητας από ποτέ. Αντιπροσωπεύει ένα διεπιστημονικό επιστημονικό πεδίο που εστιάζει σε πολύπλοκες αλληλεπιδράσεις εντός βιολογικών συστημάτων χρησιμοποιώντας μια ολιστική προσέγγιση στη βιολογική έρευνα. Τα περιεχόμενα του μαθήματος περιλαμβάνουν: 1) περιγραφή σύνθετων βιολογικών συστημάτων, 2) μαθηματική μοντελοποίηση βιολογικών συστημάτων, 3) στοχαστικές διεργασίες στη βιολογία (με έμφαση στην προσομοίωση και ανάλυση στοχαστικών φαινομένων σε βιολογικά συστήματα), 4) μοντέλα στατικών δικτύων , 5) μοντέλα κυτταρικής απόκρισης, συστήματα/δίκτυα γονιδίων και πρωτεϊνών, 6) δομική ανάλυση μεταβολικών συστημάτων μεταβολικών δικτύων, 8) δυναμική ανάλυση ροών μεταβολικών δικτύων, 9) ανάλυση μονοπατιών/δικτύων σηματοδότησης, 10) πληθυσμιακά συστήματα, 13) συστήματα βιολογία στην ιατρική/φυσιολογία και ανάπτυξη φαρμάκων, 14) βιολογία συστημάτων στην εξατομικευμένη ιατρική προσεγγίσεις πρόληψης και θεραπείας, 15) νέοι ορίζοντες στη βιολογία συστημάτων, 16) από τους νευρώνες στον εγκέφαλο 17) μοντέλα πολλαπλών βημάτων καρκινογένεσης, 18 ) πολυπαραγοντικές ασθένειες, φλεγμονή και τραύμα, 19) αλληλεπιδράσεις μεταξύ περιβάλλοντος και υγείας. Το μάθημα θα προσαρμοστεί στο υπόβαθρο των φοιτητών επιστημών ή μηχανικής. Οι μαθητές θα έχουν την ευκαιρία να εργαστούν σε μικρές ομάδες με μαθητές που παρακολουθούν το μάθημα 1α (έργο).

Τα περιεχόμενα του μαθήματος είναι φυσιολογία κυττάρων, αυτόνομο νευρικό σύστημα, νευροφυσιολογία, καρδιαγγειακή και αναπνευστική φυσιολογία, φυσιολογία νεφρών, φυσιολογία γαστρεντερικού συστήματος, φυσιολογία ενδοκρινικού συστήματος και φυσιολογία αναπαραγωγικού συστήματος. Εκτός από τα ζητήματα φυσιολογίας που καλύπτονται, θα τεθούν ζητήματα σχετικά με συστήματα μοντελοποίησης, παρουσιάζοντας: α) προσεγγίσεις μοντελοποίησης in-silico και β) μεθόδους και δείκτες για την ποσοτικοποίηση της λειτουργίας των συστημάτων. Θα παρουσιαστούν οι αιτήσεις και θα αναζητηθεί η πρακτική εμπειρία των μαθητών με τις in-silico προσεγγίσεις. Το μάθημα θα προσαρμοστεί στο υπόβαθρο των φοιτητών των βιοεπιστημών. Παράλληλα με το μάθημα, οι φοιτητές θα έχουν την ευκαιρία να εργαστούν σε μικρές ομάδες με μαθητές που παρακολουθούν το μάθημα 2β (project).

Τα περιεχόμενα του μαθήματος είναι φυσιολογία κυττάρων, αυτόνομο νευρικό σύστημα, νευροφυσιολογία, καρδιαγγειακή και αναπνευστική φυσιολογία, φυσιολογία νεφρών, φυσιολογία γαστρεντερικού συστήματος, φυσιολογία ενδοκρινικού συστήματος και φυσιολογία αναπαραγωγικού συστήματος. Εκτός από τα ζητήματα φυσιολογίας που καλύπτονται, θα τεθούν ζητήματα σχετικά με συστήματα μοντελοποίησης, παρουσιάζοντας: α) προσεγγίσεις μοντελοποίησης in-silico και β) μεθόδους και δείκτες για την ποσοτικοποίηση της λειτουργίας των συστημάτων. Θα παρουσιαστούν οι αιτήσεις και θα αναζητηθεί η πρακτική εμπειρία των μαθητών με τις in-silico προσεγγίσεις. Το μάθημα θα προσαρμοστεί στο υπόβαθρο των φοιτητών επιστημών ή μηχανικής. Παράλληλα με το μάθημα, οι φοιτητές θα έχουν την ευκαιρία να εργαστούν σε μικρές ομάδες με μαθητές που παρακολουθούν το μάθημα 2α (project).

Το μάθημα έχει δύο στόχους: I. Επισκόπηση φυσικών βιολογικών υλικών και υποκατάστατων βιοϋλικών. Περιλαμβάνει, αλλά δεν περιορίζεται σε: κατηγορίες υλικών, μεθόδους μελέτης και χαρακτηρισμού, φυσικές, χημικές και βιολογικές ιδιότητες, αλληλεπιδράσεις βιοϋλικών με φυσικές δομές του σώματος, αρχές σχεδιασμού βιοϋλικών, χρήσεις σε βιολογικές και ιατρικές εφαρμογές, μελέτες περιπτώσεων. II. Εισαγωγή στις μηχανικές ιδιότητες των βιοϋλικών. Περιλαμβάνει, αλλά δεν περιορίζεται σε: γενικές αρχές μηχανικής, τρόπους μελέτης, μοντελοποίηση, κατανόηση της δράσης των μηχανικών δυνάμεων σε μοριακό και κυτταρικό επίπεδο, καθώς και στο επίπεδο των ιστών, οργάνων καθώς και ολόκληρου του οργανισμού, μηχανική ιδιότητες βιολογικών υλικών και βιοϋλικών, σύνδεση μηχανικής βιολογίας και θεραπείας ασθενειών, ιστομορφολογία και μηχανικός σχεδιασμός και ορθοπεδική κίνηση. Το μάθημα βασίζεται σε συνδυασμό θεωρίας και αντίστοιχης εργαστηριακής πρακτικής.

Σκοπός του μαθήματος είναι να εισαγάγει τις βασικές αρχές της επεξεργασίας ψηφιακού σήματος και της μοντελοποίησης συστημάτων όπως εφαρμόζονται στη βιοϊατρική έρευνα και την κλινική ιατρική. Καλύπτει μεθοδολογίες και αλγόριθμους για την καταχώριση και οπτικοποίηση βιοσημάτων, τη χρήση φίλτρων και μετασχηματισμών (Fourier, wavelet, PCA), την κωδικοποίηση βιοϊατρικών δεδομένων, τη μη γραμμική ανάλυση, την εξαγωγή χαρακτηριστικών και τη μοντελοποίηση βιοϊατρικών συστημάτων. Επικεντρώνεται στην κατανόηση της θεωρητικής θεμελίωσης των διαφόρων τεχνικών επεξεργασίας βιοϊατρικών σημάτων, καθώς και των πρακτικών πλεονεκτημάτων και περιορισμών τους με σκοπό τον εντοπισμό της πιο υποσχόμενης προσέγγισης σύμφωνα με το υπό εξέταση πρόβλημα. Επιπλέον, η εφαρμογή επιλεγμένων αλγορίθμων επεξεργασίας σήματος θα επιδειχθεί σε συγκεκριμένες εργασίες που αφορούν βιοσήματα και βιοϊατρικά συστήματα της πραγματικής ζωής. Το μάθημα περιλαμβάνει προγράμματα προγραμματισμού που βασίζονται σε σήματα από π.χ. καρδιολογία, νευρολογία και ιατρική απεικόνιση.

Στόχος αυτού του μαθήματος είναι να εισαγάγει τους φοιτητές στην έννοια των προϊόντων βιοϊατρικής τεχνολογίας και των ιατροτεχνολογικών προϊόντων συγκεκριμένα και να τονίσει τις διαφορετικές προϋποθέσεις/στάδια από τη σύλληψη και τον σχεδιασμό της ιδέας τους έως τη χρήση και αξιοποίησή τους στην υγειονομική περίθαλψη. Το μάθημα καλύπτει τις βασικές αρχές σχεδιαστικών συστημάτων / τεχνολογίας και βιοϊατρικής έρευνας, τις βασικές αρχές που πρέπει να πληρούν τα τεχνολογικά συστήματα σε όλα τα στάδια της υγειονομικής περίθαλψης. Έτσι, το μάθημα καλύπτει στοιχεία προδιαγραφών και συμμόρφωσης με οδηγίες και συστάσεις για προμήθεια εξοπλισμού, συντήρηση και διαχείριση εξοπλισμού γενικά (μικρής και μεγάλης κλίμακας), καθώς και στοιχεία ασφάλειας, διαχείρισης κινδύνου, ποιοτικού ελέγχου/διασφάλισης. Καλύπτονται επίσης οι αρχές και οι μεθοδολογίες αξιολόγησης και αξιολόγησης της τεχνολογίας της υγειονομικής περίθαλψης μαζί με τον θεμελιώδη ρόλο που διαδραματίζουν στη λήψη αποφάσεων και στην πρακτική της πολιτικής για την υγεία.

Το μάθημα περιλαμβάνει μια σειρά σεμιναρίων που δίνονται από συνεργαζόμενους ομιλητές και προσκεκλημένους ομιλητές σε επίκαιρα θέματα βιοϊατρικής μηχανικής. Οι φοιτητές υποχρεούνται να παραδώσουν μια συγκεκριμένη αναφορά σε ένα θέμα σχετικό με τα θέματα του σεμιναρίου.

Αυτό το μάθημα έχει σκοπό να εισαγάγει τους φοιτητές στις βασικές αρχές της φυσικής που σχετίζονται με το σχηματισμό ιατρικής εικόνας και την επεξεργασία εικόνας. Το μάθημα καλύπτει τη λήψη εικόνων με μεθόδους ιονίζουσας και μη ιοντίζουσας ακτινοβολίας καθώς και τη χρήση μεθόδων μαγνητικού συντονισμού, άλλων μεθόδων οπτικής και φασματοσκοπικής αλλά και άλλες νεότερες μεθόδους απεικόνισης ζωντανών οργανισμών. Το μάθημα πραγματεύεται επίσης θέματα και θέματα επεξεργασίας εικόνας μέσω σύγχρονων μαθηματικών και αλγοριθμικών μεθοδολογιών.

Σκοπός του μαθήματος είναι να παρέχει στους φοιτητές τις βασικές αρχές της επιστημονικής μεθοδολογίας και έρευνας στον τομέα της βιοϊατρικής μηχανικής μέσω της χρήσης σύγχρονων παραδειγμάτων. Το υλικό του μαθήματος καλύπτει ένα ευρύ φάσμα μεθοδολογικών προσεγγίσεων στον τομέα της βιοϊατρικής μηχανικής. Ξεκινώντας από το σχεδιασμό, τη χρήση και τον έλεγχο ιατροτεχνολογικών προϊόντων και βιοϊατρικών προϊόντων, το σχεδιασμό και τη διεξαγωγή πιλοτικών δοκιμών, τη συλλογή και ανάλυση δεδομένων, τη σύνταξη επιστημονικών και τεχνικών εκθέσεων και την οργάνωση διαδικασιών «εργαστηρίου σε αγορά». Επιπλέον, θίγονται και συζητούνται σχετικά θέματα βιοηθικής και προβληματισμοί, μαζί με την έννοια της καινοτομίας και της επιχειρηματικότητας και την έννοια των ρυθμιστικών μηχανισμών, της τυποποίησης και της υποβολής διπλωμάτων ευρεσιτεχνίας.

Το μάθημα εισάγει το πεδίο της βιοϊατρικής πληροφορικής και θέματα ιατρικής τεχνολογίας. Ειδικότερα, εστιάζει στη χρήση της τεχνολογίας πληροφοριών και επικοινωνιών (ΤΠΕ) σε τομείς εφαρμογής, όπως η υγειονομική περίθαλψη, η προληπτική φροντίδα, η φροντίδα ηλικιωμένων και το σπίτι. Από την πρακτική πλευρά, τα θέματα του μαθήματος καλύπτουν την επεξεργασία φυσιολογικών σημάτων και την ανάπτυξη συστημάτων λογισμικού, ασύρματων αισθητήρων και εφαρμογών σε έξυπνα τηλέφωνα στην υγεία. Τα εργαλεία επεξεργασίας σήματος και μηχανικής μάθησης συνδυάζονται με συστήματα τεχνητής νοημοσύνης σε εφαρμογές στην ιατρική μηχανική και τη ζωή και την υγειονομική περίθαλψη. Το μάθημα επεκτείνεται επίσης στην εισαγωγή στις επικοινωνίες μοριακής και νανοκλίμακας: α) νανομηχανές και νανοδίκτυα, β) επικοινωνία με μοριακή διάχυση, γ) εφαρμογές αυτών. 

Σκοπός του μαθήματος είναι η εισαγωγή των εννοιών των (α) συστημάτων υποστήριξης αποφάσεων και των βασικών σχετικών μεθοδολογιών (ειδικά συστήματα, ασαφή συστήματα, συστήματα εκμάθησης) και (β) αυτοματοποιημένη ιατρική διάγνωση. Η χρήση αυτών των μεθοδολογιών θα παρουσιαστεί στο πλαίσιο της κλινικής πρακτικής (εκτίμηση κινδύνου, διαστρωμάτωση, ιατρική πρόγνωση, μονοπάτι φροντίδας μαζί με τις στρατηγικές που υιοθετήθηκαν για την αξιολόγησή τους. Τα περιεχόμενα του μαθήματος περιλαμβάνουν: 1) λήψη αποφάσεων και βελτιστοποίηση 2) γνώση -βασισμένα συστήματα αποφάσεων, 3) λήψη αποφάσεων από εμπειρογνώμονες/ασαφή 4) συστήματα μάθησης δεδομένων. Θα συμπεριληφθούν συγκεκριμένα ιατρικά παραδείγματα. Τα σχετικά ηθικά ζητήματα θα καλυφθούν μαζί με τις νέες έννοιες της αξιόπιστης και εξηγήσιμης τεχνητής νοημοσύνης, όπως αυτές ισχύουν για τη βιοϊατρική.

Το μάθημα στοχεύει στην εισαγωγή των φοιτητών στη βιοκατασκευή, την αναγεννητική ιατρική και την ιστομηχανική. Περιλαμβάνει, αλλά δεν περιορίζεται σε: I. παραγωγή, σε μικρή και μεγάλη κλίμακα, κυττάρων, βιοχημικών παραγόντων, υβριδικών βιοϋλικών, βιοσύνθετων υλικών, ικριωμάτων, τρισδιάστατης εκτύπωσης, II. σχεδιασμός και παραγωγή υποκατάστατων ιστών, συμπεριλαμβανομένων προϊόντων ιστομηχανικής μαλακών και σκληρών ιστών, χρήση βλαστοκυττάρων, ανάπτυξη τρισδιάστατων μοντέλων ιστού και δοκιμή ιστομηχανικών διεργασιών σε πραγματικό χρόνο, νομικά ζητήματα, βιοηθική και μελέτες περιπτώσεων. Το μάθημα βασίζεται σε συνδυασμό θεωρίας και αντίστοιχης εργαστηριακής πρακτικής.

Οι νέες τεχνολογίες όπως η εικονική πραγματικότητα και η ρομποτική διαδραματίζουν σήμερα σημαντικό ρόλο στην υγειονομική περίθαλψη. Κλινικά πιστοποιημένοι, ισχυροί ιατρικοί προσομοιωτές είναι πλέον διαθέσιμοι και χρησιμοποιούνται σε όλο τον κόσμο. Τα προηγμένα συστήματα γενικής χειρουργικής και νευροχειρουργικής χρησιμοποιούν επαυξημένη πραγματικότητα και χειρουργική με καθοδήγηση εικόνας για να βελτιώσουν τα αποτελέσματα και την αποτελεσματικότητα. Η ρομποτική έχει χρησιμοποιηθεί στην ορθοπεδική και καρδιολογία, καθώς και στη γενική ιατρική. Τα τελευταία χρόνια, η ιατρική ρομποτική μαζί με προηγμένα συστήματα εκτεταμένης πραγματικότητας αναμένεται να διαμορφώσουν το μέλλον της ψυχικής υγείας, των αναισθητικών και της επείγουσας ιατρικής. Έτσι, αυτό το μάθημα καλύπτει τις βασικές πτυχές της ιατρικής ρομποτικής, της εικονικής πραγματικότητας και των κυβερνοφυσικών συστημάτων και τις σύγχρονες εφαρμογές τους στην υγειονομική περίθαλψη.

Η ενότητα στοχεύει στην εισαγωγή των φοιτητών στο επιστημονικό πεδίο της νανοεπιστήμης και της νανοτεχνολογίας στο πλαίσιο των εφαρμογών τους στην ιατρική (νανοϊατρική). Ενδεικτικά καλύπτει θέματα όπως: τύποι, ιδιότητες και μέθοδοι κατασκευής νανοσωματιδίων. τεχνολογικές εφαρμογές νανοσωματιδίων: νανοεπικαλύψεις, νανοσφαιρίδια, νανομαγνήτες, νανοϊατρική, νανοσύρματα, νανοσωλήνες, βιοτσίπ και βιοαισθητήρες, διανομή νανοφαρμάκων, ιατρικές συσκευές, βιομιμητικά, ελάχιστα επεμβατικές κυτταρικές και ιστικές μεταγωγή σημάτων, βιοδείκτες με νανογνωστικά κύτταρα ιστών, νανογνωστικά κύτταρα, νανοειδικά κύτταρα αλληλεπίδρασης . Το μάθημα θα παραδοθεί ως συνδυασμός διαλέξεων και συμπληρωματικής πρακτικής μάθησης.

Το μάθημα στοχεύει να παρέχει βασικές γνώσεις και σχετικά εργαλεία για την κατανόηση των βασικών και πρακτικών επιπτώσεων της ιατρικής ακρίβειας, των ευκαιριών και των προκλήσεων που προκύπτουν για ακριβή διάγνωση, επιλογές θεραπείας, γενετική συμβουλευτική, παρεμβάσεις δημόσιας υγείας και βιοϊατρική έρευνα. Δεδομένης της χρήσης ευαίσθητων προσωπικών δεδομένων που απαιτούνται στην εξατομικευμένη ιατρική και την πρόληψη ακριβείας, τα θέματα βιοηθικής και επιστήμης δεδομένων θα αποτελούν αναπόσπαστο μέρος. Τα περιεχόμενα του μαθήματος περιλαμβάνουν: 1) Γονιδιωματική ανάλυση και γενετική συμβουλευτική, 2) Ενσωμάτωση πολλαπλών ωμικών δεδομένων (ανάλυση πολυμορφισμών, προφίλ γονιδιακής έκφρασης, τοξικογονιδιωματική, πρωτεϊνομική, μεταβολομική, ανάλυση μικροβιώματος). 3) Φαρμακογονιδιωματική, 4) Βιοδείκτες καρκίνου, 5) Εκτίμηση κινδύνου χρόνιας νόσου, 6) Κατανόηση των αλληλεπιδράσεων γονιδίου-περιβάλλοντος, 7) Βασικές έννοιες στη σύγχρονη φαρμακολογία, συμπεριλαμβανομένων των αλληλεπιδράσεων φαρμάκου-φαρμάκου, εξατομικευμένης ιατρικής και ανάπτυξης φαρμάκων, 8) Βασική κατανόηση του μοναδικοί παράγοντες παθολογίας και φαρμακολογίας που επηρεάζουν διαφορετικές ομάδες πληθυσμού και την εξέλιξη της νόσου καθώς και τη χρήση της στην ιατρική ακριβείας, 9) Περιγραφή της πολυεπιστημονικής φύσης ανάπτυξη ιατρικής ακριβείας και εφαρμογή νέων εργαλείων, 10) Εφαρμογή σύγχρονων τεχνολογιών για τη βελτίωση της διάγνωσης , θεραπεία, πρόληψη της νόσου και το τελικό αποτέλεσμα των ασθενών, 11) Κατανόηση των βασικών καθοριστικών παραγόντων των μεμονωμένων ανταποκρίσεων στα φάρμακα, 12) Κατανόηση του τρόπου με τον οποίο η γενετική θεραπευτική έκβαση, 13) Το «έκθεμα» και η συμβολή του στην ακριβή διάγνωση και τις θεραπευτικές προσεγγίσεις, 14) ρόλος της διατροφής στην πρόληψη ακριβείας, 15) Ο ρόλος της περιβαλλοντικής έκθεσης στην πρόληψη ακριβείας.

Σκοπός του μαθήματος είναι η εισαγωγή των βασικών αρχών της υπολογιστικής νευροεπιστήμης και η εξοικείωση των φοιτητών με τις σχετικές ερευνητικές μεθοδολογίες. Αυτή η επιστημονική περιοχή βρίσκεται στο σταυροδρόμι της νευροφυσιολογίας/νευροανατομίας από την πλευρά της ιατρικής και της μηχανικής μάθησης / ανάλυσης σημάτων από την πλευρά της θεωρίας της πληροφορίας. Σε αυτό το μάθημα εισάγονται τα ακόλουθα θέματα: α) από τους νευρώνες στα συστήματα (καταγραφή, επεξεργασία, ανάλυση και μοντελοποίηση νευρικών σημάτων), β) εφαρμογές στη γνωστική και κλινική νευροεπιστήμη: τεχνικές νευροαπεικόνισης και ερμηνεία των αποκτηθέντων δεδομένων, γ) εγκεφαλική δραστηριότητα : φασματική ανάλυση, μη γραμμική δυναμική, ανάλυση ανεξάρτητων συστατικών, ανάλυση συνδεσιμότητας, γραφική-θεωρητική περιγραφή, ε) παραδείγματα μεταφραστικής νευροεπιστήμης: διεπαφές εγκεφάλου-υπολογιστή, νευροανάδραση, διακρανιακή εγκεφαλική διέγερση, νευρομιμητική νοημοσύνη.

Huge advances in large-scale biology have led to achievements such as the sequence of the human genome. At the same time, gene expression research using RNA-seq, microarray platforms and other technologies, as well as the generation of big -omics data (genomics, transcriptomics, metabolomics) have created a wealth of data, the biological interpretation of which is an important tool in both precision and personalised medicine as well as prevention and therapeutic approaches. However, the challenge facing scientists is to analyze/combine and extract useful information regarding the biological system under study. Based on the above, the course focuses on familiarizing students with the use of available bioinformatics resources – mainly online programs and databases – to access the wealth of data and their correct biological interpretation, in order to address problems – questions. Course contents include: 1) sequence alignments, 2) phylogenetics, 3) analysis of gene expression data including information theory, 4) protein interaction networks, 5) interpretation of -omics data (analysis of polymorphisms, toxicogenomic, proteomic, metabolomic), 6) regulatory and metabolic networks, 7) metagenomics, 8) statistical methods in bioinformatics , 10) bioinformatics platforms (R  Bioconductor, GeneSpring), 11) the role of bioinformatics in systems biology and in the study of adverse outcomes.

Στόχος είναι η θεωρητική και πειραματική εξοικείωση των φοιτητών με εξειδικευμένες γνώσεις και δεξιότητες που σχετίζονται με τη μικροσκοπία, τα λέιζερ, τις νανοδοκιμές και την αντίστροφη μηχανική. Θα πραγματοποιηθεί λεπτομερής παρουσίαση των διαφόρων τεχνικών μικροσκοπίας, όπως οπτική μικροσκοπία μεταδιδόμενου και ανακλώμενου φωτός, μικροσκοπία φθορισμού, ομοεστιακή μικροσκοπία, ηλεκτρονική μικροσκοπία σάρωσης (SEM) και ηλεκτρονική μικροσκοπία μετάδοσης (TEM), λέιζερ για χαρακτηρισμό, νανοδοκιμές όπως νανο-εσοχή και μικροσκοπία ατομικής δύναμης (AFM), καθώς και τεχνικές αντίστροφης μηχανικής για αναπαραγωγή τρισδιάστατης γεωμετρίας. Η κατανόηση των αρχών λειτουργίας τους και η χρήση έξυπνων πρακτικών για τη λήψη χρήσιμων πληροφοριών σχετικά με τα υλικά-βιοϋλικά, τους ιστούς και τους ζωντανούς οργανισμούς αποτελεί κεντρικό στόχο του μαθήματος. Επιπλέον, η θεωρία θα συνδυαστεί με την εργαστηριακή πρακτική στις παραπάνω τεχνικές προκειμένου να αποκτηθούν σχετικές πρακτικές εμπειρίες και δεξιότητες στη χρήση τους.

Αυτό το διεπιστημονικό μάθημα στοχεύει στην εισαγωγή των φοιτητών στον τομέα της μηχανικής φαρμάκων. Το μάθημα θα παρέχει λεπτομερείς γνώσεις σχετικά με: βασική μηχανική βιοαποκρουστικών υλικών για το σχεδιασμό και την εφαρμογή συστημάτων χορήγησης φαρμάκων, ανάπτυξη διαδικασιών χορήγησης SMART που συνδέονται με κλινικές εφαρμογές, γενικές αρχές και εφαρμογές μεταφοράς νανο/μικροτεχνολογίας από εργαστήριο σε κλινική, αρχές τεχνολογιών ξήρανσης με ψεκασμό και λυοφιλοποίησης, τεχνικές ενθυλάκωσης, μηχανικά συστήματα χορήγησης φαρμάκων σε νανο και μικρο επίπεδο, φυσικοχημικός και βιολογικός χαρακτηρισμός συστημάτων χορήγησης φαρμάκων και οι στοχευμένοι κλινικοί συσχετισμοί τους, φαρμακοκινητικές και φαρμακοδυναμικές αρχές, αναλυτικές μέθοδοι επικύρωσης, επικάλυψη με φιλμ τεχνολογία, τεχνολογία κατασκευής ταινιών από το στόμα.

Λόγω του συνεχώς αυξανόμενου ποσοστού του παγκόσμιου πληθυσμού που ζει στις πόλεις, οι σχετικές περιβαλλοντικές συνθήκες επηρεάζουν την ποιότητα ζωής των ανθρώπων (QoL). Παράλληλα, οι τεχνολογίες αισθητήρων που τροφοδοτούνται από το IoT επιτρέπουν την εξατομίκευση των περιβαλλοντικών πιέσεων, καθιστώντας τα σχετικά δεδομένα ως κατάλληλα για την ανάπτυξη υπηρεσιών πληροφοριών QoL. Τέτοια δεδομένα μπορεί να περιλαμβάνουν για παράδειγμα φυσικές, χημικές και βιολογικές καιρικές συνθήκες καθώς και εξατομικευμένες καταγραφές συμπτωμάτων, οι οποίες μπορούν να χρησιμοποιηθούν για τη μοντελοποίηση συμπτωμάτων. Το αναμενόμενο αποτέλεσμα είναι υπηρεσίες που μπορεί να παρέχουν έγκαιρες προειδοποιήσεις στους ασθενείς σε σχέση με τις περιβαλλοντικές συνθήκες, να τους βοηθήσουν στη λήψη ιατρικών συμβουλών και θεραπείας με πιο στοχευμένο και αποτελεσματικό τρόπο και γενικά να βελτιώσουν πτυχές της ποιότητας ζωής τους. Τα περιεχόμενα του μαθήματος περιλαμβάνουν μια εισαγωγή στη βασική ανάλυση περιβαλλοντικών δεδομένων (παράδειγμα εργασίας: καιρός, ατμοσφαιρική ρύπανση, αεροαλλεργιογόνα) και τον προσδιορισμό του καιρού, της ατμοσφαιρικής ρύπανσης και των τύπων γύρης που μπορεί να προκαλέσουν συμπτώματα σε ευαίσθητα μέρη του πληθυσμού. ποιοτική και ποσοτική χαρτογράφηση της ποιότητας ζωής και των δεδομένων συμπτωμάτων. Εισαγωγή στην επιστήμη του πολίτη και στη συλλογή αισθητήρων και προσωπικών αναφορών που βασίζεται σε πλήθος, μαζί με τις μεθόδους, τα εργαλεία, τους περιορισμούς, τα ηθικά και μεθοδολογικά προβλήματα και τη σύνδεσή τους με τον επιστημονικό κόμβο των πολιτών του ΑΠΘ/Θεσσαλονίκης. αρχές σχεδιασμού, απαιτήσεις χρήστη και λειτουργικές προδιαγραφές υπηρεσιών ηλεκτρονικών πληροφοριών για υποστήριξη QoL· και τέλος πρακτική πρακτική εξοικείωση με ορισμένους (i) περιβαλλοντικούς αισθητήρες χαμηλού κόστους (AQ για εσωτερικούς και εξωτερικούς χώρους για παράδειγμα) και (ii) πλατφόρμες ανάπτυξης «χαμηλού κώδικα» για «κωδικοποίηση χωρίς κώδικα " πλησιάζω. Η ομαδική εργασία και τα ομαδικά έργα ενθαρρύνονται με βάση ένα πραγματικό σενάριο επίλυσης προβλημάτων.

Μεγάλης κλίμακας ετερογενή ιατρικά δεδομένα αποκτώνται συνήθως σε διάφορα κέντρα υγειονομικής περίθαλψης. Το μέγεθος και η πολυπλοκότητα αυτών των συνόλων δεδομένων συνιστούν μεγάλη πρόκληση στην ανάλυση και στην παρακολούθηση της εφαρμογής σε ένα πρακτικό κλινικό περιβάλλον. Ο τομέας της μηχανικής μάθησης προσφέρει μεθοδολογίες που ταιριάζουν ιδανικά με το έργο της εξαγωγής γνώσης από τέτοια πολύπλοκα σύνολα δεδομένων. Στο πλαίσιο του μαθήματος γίνεται τεχνική εισαγωγή στην ανάλυση μεγάλων δεδομένων (χαρακτηριστικά των μεγάλων δεδομένων, διερεύνηση και οπτικοποίηση μεγάλων δεδομένων, εξαγωγή γνώσης από μεγάλα δεδομένα), ταξινόμηση και ταυτοποίηση προτύπων, με έμφαση στα βιοϊατρικά δεδομένα. Μελετώνται οι ιδιαίτερες κλασσικές και σύγχρονες τεχνικές μηχανικής μάθησης και παρουσιάζονται οι τομείς και οι προσεγγίσεις των εφαρμογών. Θέματα, όπως ο ποσοτικός προσδιορισμός και η διάγνωση της νόσου καθώς και η ταξινόμηση ασθενών συνδυάζονται με ανάλυση δομικών δεδομένων με μεθόδους που περιλαμβάνουν μη γραμμική ανάλυση και ανάλυση συνδεσιμότητας και πολύπλοκα δίκτυα, καθώς και αδόμητα δεδομένα και ανάλυση κειμένου και ανάλυση εικόνας (ραδιολογία). Όσον αφορά τη μεθοδολογία, παρουσιάζονται τεχνικές μηχανικής μάθησης για ταξινόμηση και παλινδρόμηση (π.χ., γραμμική ταξινόμηση και παλινδρόμηση, μηχανές υποστήριξης διανυσμάτων, πολλαπλή μάθηση καθώς και εκμάθηση συνόλου, όπως τυχαία δάση, σάκους και ενίσχυση), συμπεριλαμβανομένων τεχνικών μείωσης διαστάσεων (τιμωρία παλινδρόμηση, επιλογή μεταβλητής / χαρακτηριστικού). Δίνονται έργα στην εφαρμογή τεχνικών μηχανικής μάθησης στην κλινική πράξη. Το μάθημα επικεντρώνεται στην κατανόηση και την εφαρμογή τεχνικών μηχανικής μάθησης που χρησιμοποιούνται συνήθως σε βιοϊατρικές εφαρμογές.

Η βιοκινητική και η βιοδυναμική που βασίζονται στη φυσιολογία περιγράφουν την αλληλεπίδραση του ανθρώπινου οργανισμού με εξωγενείς χημικές ουσίες. Αυτές μπορεί να περιλαμβάνουν: α) βιομηχανικές ουσίες στις οποίες εκτιθέμεθα παθητικά στην καθημερινή μας ζωή μέσω της έκθεσης στο περιβάλλον, της διατροφής μας και της χρήσης καταναλωτικών προϊόντων, β) φαρμακευτικές ουσίες στις οποίες εκτιθέμεθα σκόπιμα για θεραπευτικούς σκοπούς. Η βιοκινητική περιγράφει τη διαδικασία απορρόφησης, κατανομής, μεταβολισμού και απέκκρισης (ADME) μιας χημικής ουσίας στο σώμα, δηλαδή τι κάνει το σώμα στη χημική ουσία, ενώ η βιοδυναμική περιγράφει την επίδραση που έχει η χημική ουσία στη φυσιολογία του σώματος, π.χ. τι κάνει η ουσία στο σώμα. Το αναλυτικό πρόγραμμα της ενότητας περιλαμβάνει: 1) κατανόηση των βασικών εννοιών και αρχών της βιοκινητικής και της βιοδυναμικής. 2) κατανόηση του μαθηματικού πλαισίου των βιοκινητικών μοντέλων. 3) Γενικευμένα βιοκινητικά μοντέλα. 4) Ανάπτυξη και εφαρμογές ποσοτικών μοντέλων σχέσεων δομής-δραστηριότητας (QSARs) για τη διαμόρφωση βιοκινητικών μοντέλων και την πρόβλεψη βιοδυναμικών αλληλεπιδράσεων. 5) Βιοκινητικά μοντέλα που περιγράφουν τη διαδικασία της κύησης και την αλληλεπίδραση μεταξύ μητέρας και εμβρύου (μεταφορά μέσω πλακούντα, θηλασμός). 6) Βιοκινητικά μοντέλα που περιγράφουν αλλαγές στη φυσιολογία από τη σύλληψη μέχρι την ενηλικίωση. 7) Επίδραση του γενετικού πολυμορφισμού στη βιοκινητική και τη βιοδυναμική. 8) Επίδραση του αιματοεγκεφαλικού φραγμού στη μεταφορά χημικών ουσιών στον εγκέφαλο. 9) Σωρευτικές επιδράσεις χημικών και φαρμακευτικών ουσιών. 10) Αλληλεπιδράσεις σε σχέση με τη βιοδυναμική. 11) Κατανόηση της διαδικασίας και των αρχών του σχεδιασμού ενός μοντέλου βιοκινητικής με εφαρμογές σε ένα ευρύ φάσμα θεραπευτικών πλαισίων (μικρά μόρια, πρωτεϊνούχα φάρμακα και νανοσωματίδια). 12) Ερμηνεία δεδομένων της ανθρώπινης βιοπαρακολούθησης μέσω ανακατασκευής έκθεσης με τη χρήση βιοκινητικών μοντέλων. 13) Εφαρμογές μοντέλων βιοκινητικής και βιοδυναμικής στην ανάλυση κινδύνου – σύνδεση με σχετικά μοντέλα βιολογίας συστημάτων. 14) Εφαρμογές μοντέλων βιοκινητικής και βιοδυναμικής στην ιατρική ακριβείας. 15) Εφαρμογές μοντέλων βιοκινητικής και βιοδυναμικής σε πραγματικά δεδομένα και χημικές ουσίες που τραβούν μεγάλη προσοχή.