Master's Thesis inkl Wissenschaftliche Projektplannung - Cheatsheet.pdf

Experimentelles Design und Datenerhebung

Definition:

Experimentelles Design: Strukturiertes Vorgehen zur Planung und Durchführung von Experimenten, um Kausalzusammenhänge zu identifizieren. Datenerhebung: Systematische Sammlung von Daten zur Analyse und Interpretation.

Details:

• Ziel: Maximierung der internen und externen Validität
• Kontrollgruppen und -variablen einplanen
• Randomisierung: Zufällige Zuteilung von Probanden zu Gruppen
• Replikationen einbeziehen zur Reduktion von Fehlern
• Messinstrumente: Validität und Reliabilität sicherstellen
• Quantitative und qualitative Methoden zur Datenerhebung
• Ethik: Freiwillige Teilnahme, Anonymität, Zustimmung
• Statistische Tests: t-Test, ANOVA, Regression etc.
• Datenaufbereitung: Bereinigung, Kodierung, Normalisierung

Statistische Analyse und Interpretation von Daten

Definition:

Methoden zur Auswertung und Interpretation von Datensätzen zur Beantwortung biologischer Fragestellungen.

Details:

• Datensatzvorverarbeitung: Bereinigung, Transformation und Normalisierung von Daten.
• Deskriptive Statistik: Mittelwert, Median, Standardabweichung.
• Hypothesentests: t-Test, ANOVA.
• Regressionsanalyse: Lineare und nichtlineare Modelle.
• Grafische Darstellung: Histogramme, Streudiagramme.
• Software: R, Python (Pandas, NumPy, SciPy), SPSS.
• Wichtig: Überprüfung der Datenqualität und Annahmen der statistischen Tests.
• Interpretation: Bedeutung der Ergebnisse im biologischen Kontext erklären.

Projektzieldefinition und -strukturierung

Definition:

Festlegung der Ziele eines Projekts und deren stukturelle Gliederung.

Details:

• Zieldefinition: Spezifisch, Messbar, Erreichbar, Relevant, Zeitgebunden (SMART)
• Projektstrukturplan (PSP): Gesamtaufgabe in Teilaufgaben und Arbeitspakete zerlegen
• Hierarchische Gliederung: Projekt -> Teilprojekte -> Arbeitspakete
• Ressourcenzuweisung: Zeit, Personal, Material
• Meilensteine definieren
• Risikoanalyse
• Ziel: Übersicht und klare Verantwortlichkeiten schaffen

Risikomanagement und Problemlösungsstrategien

Definition:

Risikomanagement: Identifikation, Bewertung und Kontrolle von Risiken. Problemlösungsstrategien: systematischer Ansatz zur Identifizierung und Behebung von Problemen.

Details:

• Ziele setzen und priorisieren
• Risikoarten: finanziell, betrieblich, projektbezogen, etc.
• Risikobewertung: Eintrittswahrscheinlichkeit, Schadensausmaß
• Strategien: Vermeidung, Verminderung, Transfer, Akzeptanz
• Problemlösungsprozess: Problemdefinition, Ursachenanalyse, Lösungsentwicklung, Implementierung und Überwachung
• Werkzeuge: SWOT-Analyse, Pareto-Diagramm, Tool zur Risikomatrix

Vorbereitung und Durchführung wissenschaftlicher Präsentationen

Definition:

Details:

• Vorbereitung: Recherchiere umfassend, strukturiere klar, erstelle Folien prägnant.
• Inhalt: Einleitung, Methoden, Ergebnisse, Diskussion.
• Folien: Klarer Text, passende Grafiken, wenige Stichpunkte.
• Durchführung: Übung, Zeitmanagement, Körpersprache, Blickkontakt.
• Technik: Vorab testen, Backup-Pläne erstellen.
• Fragen: Vorbereiten, ruhig und präzise antworten.

Genomsequenzierung und -analyse

Definition:

Bestimmung der Nukleotidabfolge in der DNA eines Organismus; Analyse zur Identifizierung von Genen, Mutationen und Sequenzvariationen.

Details:

• Techniken: Sanger-Sequenzierung, Next-Generation-Sequencing (NGS)
• Sequenzdatensatz: Rohdaten → Qualitätskontrolle → Zusammenfügen der Sequenzen (Assembly)
• Genannotation: Identifizierung von Exons, Introns, Promotoren
• Bioinformatische Tools: BLAST, FASTA, GATK
• Anwendungen: Identifizierung genetischer Marker, Evolutionäre Studien, Diagnostik genetischer Krankheiten

Algorithmen und Modelle in der Bioinformatik

Definition:

Methoden zur Analyse biologischer Daten mittels algorithmischer und modellbasierter Ansätze.

Details:

• Sequenzalignment: Methode zur Identifikation von Ähnlichkeiten zwischen DNA-, RNA- oder Proteinsequenzen
• Phylogenetische Bäume: Modelle zur Darstellung evolutionärer Beziehungen zwischen Arten
• Genexpressionsanalyse: Nutzung von Algorithmen zur Untersuchung von Genaktivität
• Strukturelle Bioinformatik: Vorhersage und Analyse der dreidimensionalen Struktur von Biomolekülen
• Maschinelles Lernen: Einsatz von ML-Algorithmen zur Mustererkennung und Prognose in biologischen Daten
• Stochastische Modelle: Verwendung von stochastischen Prozessen zur Modellierung biologischer Systeme (z.B. Markov-Ketten)

Evaluierung und Interpretation von Forschungsergebnissen

Definition:

Prozess zur Bewertung der Qualität und Bedeutung der experimentellen Daten, einschließlich statistischer Analyse und Vergleich mit bestehenden Forschungsergebnissen.

Details:

• Datenvalidierung: Überprüfung auf Genauigkeit und Zuverlässigkeit.
• Statistische Analyse: Einsatz von Tests wie t-Test, ANOVA; Signifikanzniveau (\textalpha).
• Interpretation: Ergebnisse im Kontext bestehender Literatur bewerten.
• Grafische Darstellung: Nutzung von Diagrammen und Tabellen für die Visualisierung.
• Fehleranalyse: Identifikation von experimentellen Ungenauigkeiten.
• Schlussfolgerungen: Aussagen über Hypothesen, zukünftige Forschungsvorschläge.