[Home](https://www.uniroma5.it)  [Ingegneria Informatica e dell’Intelligenza Artificiale Applicata LM-32](https://www.uniroma5.it/magistrale/ingegneria-informatica-e-intelligenza-artificiale-applicata)  Intelligenza artificiale nella Bioinformatica

# Ingegneria Informatica e dell’Intelligenza Artificiale Applicata LM-32 Intelligenza artificiale nella Bioinformatica

| Settore scientifico disciplinare | Numero crediti formativi (CFU) | Docente |
| --- | --- | --- |
| ING-INF/05 (IINF-05/A) | 8 | [Filippo Bianchini](https://www.uniroma5.it/docenti/filippo-bianchini) |

### Risorse

Il docente consiglia l’integrazione del materiale fornito (videolezioni, slides, esercitazioni dimostrative su Google Colab) con i seguenti testi, a cui il docente può fare riferimento durante le lezioni:

- Arthur M. Lesk “Introduction to Bioinformatics”, Oxford University Press (testo di riferimento per i fondamenti di bioinformatica)
- Aurélien Géron “Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow”, O’Reilly Media (per le basi di machine learning e deep learning)
- Documentazione ufficiale delle librerie utilizzate nel corso: BioPython (biopython.org), Hugging Face Transformers (huggingface.co/docs), PyTorch (pytorch.org/docs), scikit-learn (scikit-learn.org), RDKit (rdkit.org)

Le videolezioni e il materiale fornito durante il corso saranno comunuque più che sufficienti per poter affrontare domande e esame finale.

### Obiettivi

L’insegnamento si propone di promuovere l’apprendimento della bioinformatica e la capacità di applicare modelli di intelligenza artificiale, con particolare attenzione ai **Large Language Model**  e all’**AI generativa** , per l’analisi di dati genetici, proteomici e metabolomici. Il corso affronta l’elaborazione di immagini biomediche, l’integrazione di dati multi-omici e l’impiego di foundation model biologici (ESM-2, AlphaFold, DNABERT). Vengono presentate le librerie e i framework più utilizzati (PyTorch, Hugging Face Transformers, BioPython, scikit-learn, RDKit) per sviluppare approcci computazionali capaci di combinare diverse fonti di dati (genomici, trascrittomici, epigenomici) in analisi unificate. Il corso include esercitazioni dimostrative su Google Colab in cui vengono mostrate applicazioni pratiche di tecniche di machine learning e deep learning su dati biologici reali, analisi di dataset genomici e proteomici, progettazione di modelli per la predizione di interazioni molecolari e sviluppo di pipeline per l’analisi di big data biologici.

L’insegnamento contribuisce anche al potenziamento delle capacità trasversali Autonomia di giudizio, Abilità comunicative e Capacità di apprendimento degli studenti nell’ambito dell’intelligenza artificiale applicata alla bioinformatica.

**Risultati di apprendimento attesi**

*Conoscenza e capacità di comprensione*

- Conoscenza e comprensione dei principi fondamentali della bioinformatica e delle principali tipologie di dati biologici (genomici, proteomici, metabolomici).
- Conoscenza delle architetture di deep learning (CNN, RNN, Transformer, GNN) e dei foundation model biologici (ESM-2, AlphaFold, DNABERT, ProtGPT2).
- Conoscenza del linguaggio Python e delle principali librerie per la bioinformatica computazionale (BioPython, scikit-learn, PyTorch, Hugging Face Transformers, RDKit).
- Comprensione dei Large Language Model (LLM) e dell’AI generativa applicati alle scienze della vita, inclusi modelli per la generazione di molecole e proteine.
- Comprensione delle problematiche relative all’integrazione di dati multi-omici e delle metodologie computazionali per combinare dati genomici, trascrittomici ed epigenomici in analisi unificate.
- Comprensione delle tecniche di elaborazione di immagini biomediche con AI e delle problematiche etiche legate all’uso dell’intelligenza artificiale in ambito biomedico.

*Capacità di applicare conoscenza e comprensione*

- Capacità di applicare tecniche di machine learning e deep learning per l’analisi di dati genomici, proteomici e di immagini biomediche.
- Capacità di utilizzare foundation model biologici e LLM generalisti come strumenti per l’analisi, l’interpretazione e la sintesi di dati e risultati bioinformatici.
- Capacità di progettare e implementare pipeline bioinformatiche che integrino modelli di AI, dati multi-omici e strumenti di analisi computazionale.

*Abilità di giudizio*

Lo studente acquisirà la capacità di integrare le conoscenze e gestire la complessità delle applicazioni dell’AI alla bioinformatica, nonché di formulare giudizi sulla base di informazioni limitate o incomplete.

Lo studente sarà inoltre in grado di riflettere sulle responsabilità sociali ed etiche collegate all’applicazione dell’AI a dati biologici e contesti biomedici, inclusi i temi di bias, riproducibilità e privacy dei dati genomici.

*Abilità di comunicare*

Capacità di motivare le scelte metodologiche prendendo come riferimento studi scientifici nell’ambito della bioinformatica e dell’AI applicata alle scienze della vita. Capacità di descrivere e commentare le conoscenze acquisite, adeguando le forme comunicative sia ad interlocutori specialisti che non specialisti.

*Capacità di apprendimento*

Capacità di riportare casi di studio nell’ambito dell’AI applicata alla bioinformatica. Capacità di aggiornamento autonomo attraverso la consultazione di pubblicazioni scientifiche, documentazione di tool bioinformatici e risorse online quali banche dati biologiche e repository di modelli pre-addestrati.

### Descrizione

Modulo 1: Cos’e’ la Bioinformatica e perche’ serve l’AI (1 CFU)

- Lezione 1: Benvenuti: cosa faremo in questo corso
- Lezione 2: I dati biologici: DNA, proteine, cellule, immagini
- Lezione 3: L’Intelligenza Artificiale in 30 minuti
- Lezione 4: LLM e AI generativa: come cambiano la bioinformatica
- Lezione 5: Primi passi con Python e i dati biologici

Modulo 2: Basi di Machine Learning con dati biologici (1 CFU)

- Lezione 6: Come il computer vede i dati biologici
- Lezione 7: Classificazione: insegnare al computer a distinguere
- Lezione 8: Altre tecniche di ML e il problema dello sbilanciamento
- Lezione 9**[Colab]** : Classificare varianti genetiche con Random Forest
- Lezione 10 **[Colab]** : Usare un LLM per interpretare i risultati

Modulo 3: Deep Learning: reti neurali per la biologia (1 CFU)

- Lezione 11: Dalle reti neurali semplici al deep learning
- Lezione 12: CNN e RNN: estrarre pattern da sequenze e immagini
- Lezione 13: Il Transformer: l’architettura che ha cambiato tutto
- Lezione 14 **[Colab]** : Usare ESM-2 per analizzare proteine
- Lezione 15 **[Colab]** : Predire interazioni tra proteine

Modulo 4: I Large Language Model nella bioinformatica (1 CFU)

- Lezione 16: Foundation model: addestrare una volta, usare per tutto
- Lezione 17: AlphaFold: la rivoluzione nella predizione delle strutture
- Lezione 18: Usare LLM generalisti per la bioinformatica
- Lezione 19 **[Colab]** : Un LLM che interroga la letteratura biomedica
- Lezione 20 **[Colab]** : AlphaFold DB e analisi strutturale con LLM

Modulo 5: AI Generativa: creare molecole e proteine (1 CFU)

- Lezione 21: Modelli generativi: l’AI che crea
- Lezione 22: Scoprire nuovi farmaci con l’AI generativa
- Lezione 23: Progettare proteine che non esistono in natura
- Lezione 24 **[Colab]** : Generare molecole e valutarle
- Lezione 25 **[Colab]** : Generare nuove proteine con ProtGPT2

Modulo 6: AI e immagini biomediche (1 CFU)

- Lezione 26: L’imaging biomedico: tipi di immagini e sfide
- Lezione 27: Come le reti neurali analizzano le immagini
- Lezione 28: AI generativa per l’imaging biomedico
- Lezione 29 **[Colab]** : Classificare immagini istologiche con deep learning
- Lezione 30 **[Colab]** : Interpretare le predizioni con un LLM multi-modale

Modulo 7: Integrare dati biologici diversi - multi-omica (1 CFU)

- Lezione 31: Perche’ un solo tipo di dato non basta
- Lezione 32: Metodi per combinare dati multi-omici
- Lezione 33: LLM e foundation model per dati multi-omici
- Lezione 34: Caso studio: sottotipi tumorali da dati multi-omici
- Lezione 35 **[Colab]** : Integrazione multi-omica su dati TCGA

Modulo 8: Pipeline, etica e futuro dell’AI in bioinformatica (1 CFU)

- Lezione 36: Come si costruisce una pipeline bioinformatica
- Lezione 37: LLM come orchestratori: agenti AI per la bioinformatica
- Lezione 38: Etica, bias e regolamentazione dell’AI in bioinformatica
- Lezione 39: Il futuro: dove sta andando l’AI in bioinformatica
- Lezione 40 **[Colab]** : Una pipeline completa dall’inizio alla fine

### ORGANIZZAZIONE DIDATTICA ESAMI 2026/2027

In conformità con le nuove disposizioni di Ateneo relative allo svolgimento delle prove d'esame, il programma dell'insegnamento di **Intelligenza Artificiale nella Bioinformatica**  è articolato in 40 videolezioni, di cui 28 teoriche e 12 pratiche, organizzate in 8 moduli didattici.

1. **Lezioni da studiare per la PROVA INTERMEDIA ONLINE:**  la prova intermedia online verte sulle prime 18 videolezioni teoriche del corso, comprese tra la lezione 1 e la lezione 26 inclusa, fino a *“L'imaging biomedico: tipi di immagini e sfide”* . Le 8 lezioni pratiche contrassegnate con [Colab] presenti in questo intervallo costituiscono attività di approfondimento e supporto allo sviluppo del progetto pratico.
2. **Lezioni da studiare per la PROVA DI PROFITTO FINALE IN PRESENZA:**  la prova di profitto finale in presenza verte sulle ultime 10 videolezioni teoriche del corso, comprese tra la lezione 27 e la lezione 39 inclusa, da *“Come le reti neurali analizzano le immagini”*  a *“Il futuro: dove sta andando l'AI in bioinformatica”* . Le 4 lezioni pratiche [Colab] presenti nella parte conclusiva del corso costituiscono attività di approfondimento e applicazione delle conoscenze acquisite.

**Modalità di svolgimento dell'esame.**

L'esame prevede una parte progettuale obbligatoria e una prova teorica, scritta e/o orale. Il programma è articolato in 28 videolezioni teoriche, suddivise tra prova intermedia e prova finale secondo quanto indicato sopra, e 12 lezioni pratiche [Colab], finalizzate all'applicazione delle metodologie e degli strumenti affrontati durante il corso.

Lo studente dovrà sviluppare un progetto pratico volto a dimostrare la capacità di applicare autonomamente le conoscenze acquisite. **Lo svolgimento del progetto è obbligatorio e il conseguimento di una valutazione sufficiente (almeno 18/30) costituisce un prerequisito per l'accesso alla prova teorica intermedia.**  Il progetto dovrà pertanto essere consegnato e valutato prima di tale prova.

La valutazione finale sarà determinata dalla media ponderata tra la **componente teorica (70%)**  e il **progetto pratico (30%)** .

### Altro

**Attività didattiche previste**

Le attività di didattica, suddivise tra *didattica erogativa*  (DE) e *didattica interattiva*  (DI), saranno costituite da 4,5 ore per CFU e ripartite secondo una struttura di almeno 2,5 ore di DE (tenuta in considerazione la necessità di riascolto) e di 2 ore di DI per ciascun CFU.

*Attività didattica erogativa* *(20 ore):*

- 40 lezioni frontali videoregistrate, della durata di circa 30 minuti ciascuna (tenuta in considerazione la necessità di riascolto) sempre disponibili in piattaforma. Di queste, 12 lezioni sono esercitazioni dimostrative su Google Colab.

**Il calendario dell'attività sincrona riportato di seguito è da intendersi totalmente provvisorio.**

*Attività didattica interattiva* *(16 ore):*

Le attività di didattica interattiva si svolgeranno mediante l’utilizzo di strumenti di videoconferenza sincrona secondo il calendario (provvisorio) seguente:

**Novembre 2026** : 2 lezioni da 2 ore

1. Laboratorio Python per la bioinformatica: BioPython, pandas, scikit-learn, API di LLM
2. Classificazione di varianti genomiche con Random Forest e interpretazione con LLM

**Dicembre 2026** : 3 lezioni da 2 ore

1. Embedding proteici con ESM-2 e predizione di interazioni proteina-proteina
2. Costruzione di un sistema RAG per la letteratura biomedica con LangChain e Claude
3. AI generativa: generazione di molecole con RDKit e proteine con ProtGPT2

**Gennaio 2027** : 3 lezioni da 2 ore

1. Classificazione di immagini istologiche con deep learning e Grad-CAM
2. Integrazione multi-omica su dati TCGA con autoencoder
3. Pipeline bioinformatica completa: da una lista di geni a un report interpretativo con LLM

**----**

**(lezioni semestre successivo da definire)**

### Verifica

**Modalità di accertamento dei risultati di apprendimento acquisiti dallo studente**

Per valutate le capacità acquisite nel governare le nozioni apprese, nel creare delle connessioni con altri insegnamenti del corso di studi in maniera autonoma lo studente sarà sottoposto a una prova scritta e/o orale e alla valutazione di un progetto pratico da consegnare prima dell’esame intermedio. E nella sezione **Modalità di esame** la seguente dicitura: Al termine del corso è previsto lo svolgimento di un esame di profitto composto da una parte progettuale e da una prova teorica. La valutazione della prova teorica andrà a fare media ponderata con la valutazione del progetto pratico richiesto che avrà un peso del 30% del voto totale (da modificare a seconda dei casi il docente può decidere di fare la media o di dare un'idoneità ). **Lo svolgimento del progetto è obbligatorio**  e il conseguimento di una votazione sufficiente per esso (18/30) costituisce prerequisito per l’accesso alla prova teorica intermedia.

**Modalità di esame**

Al termine del corso è previsto lo svolgimento di un esame di profitto composto da una parte progettuale e da una prova teorica, scritta e/o orale.

Lo studente dovrà sviluppare un progetto pratico finalizzato all'applicazione delle conoscenze acquisite durante il corso, dimostrando capacità di analisi, autonomia e integrazione delle competenze apprese. Il progetto dovrà essere consegnato prima della prova teorica e la sua valutazione concorrerà alla determinazione del voto finale con un peso del 30%.

La prova teorica sarà volta a verificare la conoscenza e la comprensione degli argomenti trattati durante le lezioni, con particolare riferimento all'applicazione dell'intelligenza artificiale alla bioinformatica, ai foundation model biologici, all'analisi dei dati omici e alle problematiche etiche connesse. Sarà inoltre valutata la capacità dello studente di elaborare collegamenti autonomi tra le tematiche affrontate e le conoscenze acquisite negli altri insegnamenti del corso di studi.

**Lo svolgimento del progetto pratico è obbligatorio e il conseguimento di una valutazione almeno sufficiente (18/30) costituisce un prerequisito per l'accesso alla prova teorica.**  La valutazione finale sarà determinata dalla media ponderata tra la prova teorica (70%) e il progetto pratico (30%).

**Propedeuticità**

Come da regolamento del corso di studi, non sono previste propedeuticità.

**Prerequisiti**

- Fondamenti di programmazione in Python
- Nozioni di base di statistica e probabilità
- Concetti fondamentali di biologia molecolare (DNA, proteine, geni)

### Lezioni

Intelligenza Artificiale nella Bioinformatica

I dati biologici: DNA, proteine, cellule, immagini

L\'Intelligenza Artificiale in breve

LLM e AI generativa: come cambiano la bioinformatica

Colab: primi passi con Python e i dati biologici

Come il computer vede i dati biologici

Classificazione: insegnare al computer a distinguere

Altre tecniche di ML e il problema dello sbilanciamento

Colab: classificare varianti genetiche con Random Forest

Colab: usare un LLM per interpretare i risultati

Dalle reti neurali semplici al deep learning

CNN e RNN: estrarre pattern da sequenze e immagini

Il Transformer: l\'architettura che ha cambiato tutto

Colab: usare ESM-2 per analizzare proteine

Colab: predire interazioni tra proteine

Foundation model: addestrare una volta, usare per tutto

AlphaFold: la rivoluzione nella predizione delle strutture

Usare LLM generalisti per la bioinformatica

Colab: un LLM che interroga la letteratura biomedica

Colab: AlphaFold DB e analisi strutturale con LLM

Modelli generativi: l\'AI che crea

Scoprire nuovi farmaci con l\'AI generativa

Progettare proteine che non esistono in natura

L\'imaging biomedico: tipi di immagini e sfide

Come le reti neurali analizzano le immagini

AI generativa per le immagini biomediche

Perch

Metodi per combinare dati multi-omici

LLM e foundation model per dati multi-omici

Caso studio: sottotipi tumorali da dati multi-omici

Come si costruisce una pipeline bioinformatica

LLM come orchestratori: agenti AI per la bioinformatica

Etica, bias e regolamentazione dell\'AI in bioinformatica

Il futuro: dove sta andando l\'AI in bioinformatica
