Interdisziplinäres Lernen: Quantitative Konzepte in der Molekularbiologie

Die moderne Biologie entwickelt sich rasant zu einer datengetriebenen Wissenschaft. Moderne Technologien und Messmethoden erzeugen immer mehr Daten in immer kürzerer Zeit und mit immer höherer Auflösung. Eine Folge davon ist die Entstehung neuer hybrider Wissenschaftsfelder, wie zum Beispiel die Bioinformatik oder Biophysik, die auch im universitären Lehrbetrieb zu finden sind.

Unsere Lehrveranstaltung ‘Fundamentals of Quantitative Biology‘ ist Teil des Masterstudiums ‘Molekulare Biologie' und umfasst 18 Einheiten, bestehend aus Vorlesungen und praktischen Übungen. Die Vermittlung der Grundlagen der molekularen Biologie steht dabei im Zentrum.Sie wird eng verzahnt mit dem Erlernen und Anwenden statistischer Methoden und numerischer Aspekte, deren wachsender Bedeutung wir angemessen Raum geben. 

Wir, die Lehrenden, kombinieren Grundlagen der Molekularbiologie mit Konzepten aus Physik, Informatik und Statistik,um ein quantitatives Verständnis für molekularbiologische Prozesse zu schaffen. So wird beispielsweise vermittelt, wie man mit statistischen Unsicherheiten umgeht, wie man Größenordnungen sinnvoll schätzt und wie man vermeidet, Zahlen eine Genauigkeit zuzuweisen, die sie nicht besitzen.

Struktur der Lehrveranstaltung

Aus Lehrpraxis und studentischem Feedback geht hervor, dass neue oder abstrakte Konzepte besondere Herausforderungen mit sich bringen. Dem wollen wir Rechnung tragen, denn speziell der Fokus auf quantitative Methoden, die ohne mathematischen Apparat kaum zu vermitteln sind, kann für Studierende mit heterogener Bildungsbiographie eine Hürde sein.

Der zentrale Teil der Vorlesungen ist der Entwicklung eines intuitiven Verständnisses für die quantitativen Aspekte der Biologie gewidmet, etwa in Bezug auf typische Größenordnungen, Konzentrationen, Zeitskalen oder Energieniveaus. In enger Anlehnung an das klassische Lehrbuch von Milo und Phillips „Cell Biology by the Numbers“ befassten sich die Vorlesungen mit einfachen, aber grundlegenden Fragestellungen wie: Wie viele Proteine gibt es in einer Zelle? Welcher Anteil des zellulären Energiehaushalts wird für welche Funktionen aufgewendet? 

Didaktisch haben wir besonderen Wert darauf gelegt, dass viele dieser Fragen durch einfache Abschätzungen auf Basis grundlegender, bereits bekannter Zahlen oder relativer Größenordnungen beantwortet werden können, wie z.B. das Verhältnis eines typischen Proteins zur Größe unseres Körpers, das vergleichbar ist mit dem Verhältnis eines Tennisballs zur gesamten Erde.

Während der Vorlesungen wurden die Studierenden regelmäßig aufgefordert, über das von der Universität Wien bereitgestellte Student Response System (https://srs.univie.ac.at/) interaktiv in kleineren Gruppen einfache Fragestellungen zu bearbeiten. Das dient einerseits dazu,selbständig Inhalte zu erarbeiten und das Mitdenken zu fördern. Andererseits ergibt sich daraus eine unmittelbare Einschätzung für die Lehrenden, ob spezielle Inhalte genauerer Erklärung bedürfen.

Um den Studierenden sowohl die Herausforderungen als auch die Errungenschaften der Spitzenforschung näherzubringen, sind einige der Vorlesungen direkt der Diskussion neuer Ergebnisse auch aus den eigenen Laboren der Lehrenden gewidmet. Das Ziel dieses Teils besteht darin, den Studierenden zu vermitteln,dass die erworbenen Fähigkeiten und Kenntnisse unmittelbar in der aktuellen Forschung angewendet werden können.

Didaktisch wurde dieser Abschnitt so strukturiert,dass die Studierenden dazu motiviert werden, selbst über die möglichen Konsequenzen bestimmter Laborergebnisse nachzudenken. Wir haben festgestellt, dass diese interaktiven Vorlesungsteile besonders anregend für die Studierenden sind und das Interesse an praktischer Arbeit in unseren Laboren deutlich erhöht haben.

Um Methoden aus Mathematik und Physik spielerisch zu erproben,ist das Programmieren eine Grundvoraussetzung. Es ist eine Fähigkeit, die man mittlerweile wohl zu den Kulturtechniken zählen darf. In unserem speziellen Fall handelt es sich um die verhältnismäßig einfach zu erlernende Sprache Python. Ihr widmen wir 5 von 18 Einheiten der LV, um eine gleiche Grundlage für alle Studierenden zu schaffen.

Neben Vorlesungen im klassischen Präsentationsformat besuchen die Studierenden eine dreistündige Übung. Dort nutzen sie Jupyter Colab Notebooks, die ohne Zusatzsoftware oder Installationen im Browser eine zugängliche Programmierumgebung bieten. Sie ermöglicht, sich aktiv mit den Inhalten auseinanderzusetzen und durch eigenes Experimentieren nicht nur die Anwendung zu erlernen,sondern sie auch nachhaltig zu verinnerlichen. Zudem bietet sie Raum für individuelle Zugänge und eigene kreative Lösungswege.Ausgangspunkt sind die mit Code-Beispielen versehenen und sorgfältig annotierten Notebooks,die an dem wissenschaftlichen Alltag entsprechende Problemstellungen heranführen. Lernziel ist, mit Unterstützung von Tutor:innen eigenständig Problemlösungsstrategien zu entwickeln, moderne computergestützte Analysemethoden zu erlernen und spielerisch Designs für Visualisierungen zu erproben. Wir ermuntern die Studierenden hierbei durchaus auf KI Tools zurückzugreifen,um deren Potential hinsichtlich des Generierens von Programmiercode kennenzulernen und kritisch einzusetzen. 

Daten durch Visualisierung und statistische Methoden verstehen

Der überwiegende Teil der Studierenden hat keine Programmiererfahrung. Aus diesem Grund sind die ersten Einheiten speziell der Einführung in die Grundlagen einfachen Programmierens mit Python gewidmet. Der Vorteil gegenüber Softwarepaketen zur Datenanalyse, wie z.B.SPSS, sind die breiteren und flexibleren Einsatzmöglichkeiten. Dieses Wissen ermöglicht es Studierenden,auf die digitale Transformation unserer Gesellschaft vorbereitet zu sein und deren Entwicklungen aktiv mitzugestalten. Glz. erwerben sie die Fähigkeit, quantitative Datenanalysen durchzuführen und auf entsprechende Anforderungen in Forschung oder Industrie zu reagieren

Ein Hauptaugenmerk liegt hierbei neben der Vermittlung von grundlegender Programmierlogik,auf bildgebender Darstellung von Ergebnissen. In den ersten Einheiten sind die Studierenden eingeladen, anhand von künstlich erzeugten Daten spielerisch das Design-Potential der Darstellungsmöglichkeiten zu erproben. Aus Studierenden-Feedback können wir entnehmen, dass diese Herangehensweise beliebt ist und ihnen die Früchte ihrer eigenen Arbeit im wahrsten Sinne vor Augen führt.

Dem Konzept des explorativen und experimentellen Lernens bleiben wir auch in den darauffolgenden Einheiten treu.Wurden zunächst künstlich generierte Daten herangezogen, wird nun mit realistischen Datensätzen gearbeitet, die auf öffentlich zugänglichen Datenbanken verfügbar sind und in der Forschung zum Einsatz kommen. Die angeleitete Konfrontation mit solchen wissenschaftlichen Rohdaten ermöglicht es Studierenden, ihren gelernten Fundus von Analysemethoden zu erproben.Hierbei wird im Geiste präzise wissenschaftlichen Arbeitens einerseits ein Schwerpunkt auf korrekte statistische Herangehensweise gelegt.Andererseits werden Ergebnisse mit Hilfe der erlernten Visualisierungstechniken auf eine Art und Weise dargestellt, die hohe Anschaulichkeit und Transparenz der Methodik aufweist. 

Das Lernziel ist es, umfangreiche Datenmengen zu verdichten und auf eine klare Aussage zu reduzieren, ohne dass wissenschaftliche Standards oder methodische Genauigkeit beeinträchtigt werden. Es handelt sich hier um einen kommunikativen Prozess in Richtung der betrachtenden Leserschaft, die in die Lage versetzt werden soll, schnell zentrale Muster und Zusammenhänge zu erkennen und eine fundierte qualitative Interpretation vorzunehmen.

Kooperatives Lernen: Peer-Unterstützung zur Vertiefung von Methodenkompetenz

Während des Übungsteils unserer Lehrveranstaltung sind die Studierenden angehalten, sich selbstständig in kleinen Gruppen zu unterstützen und gemeinsam Strategien zu entwickeln. Dieses Peer Learning kann helfen, verschiedene Lösungswege zu entwerfen und einander gegenüberzustellen. Darüber hinaus wird in solchen Gruppen diskutiert,ob eine Visualisierung auch genügend eigenständige Aussagekraft besitzt. 

Dabei zeigt das digitale Lernmaterial erstens den Weg, wie man vom reinen Datenmaterial zu einer wissenschaftlichen Aussage gelangt. Anhand von Beispielen kann das technische Handwerkszeug erlernt werden, wie man mithilfe von Programmierschnittstellen (API) auf öffentliche Daten zugreift. Wie wir aus mündlichem Feedback der Studierenden wissen, ist das eine für viele überraschend befriedigende Arbeit, weil es sie in den Genuss versetzt, große Datenmengen zu erhalten und automatisch zu agglomerieren, ohne unübersichtlichen Tabellen ausgesetzt zu sein.  

Im zweiten Schritt folgt das Anwenden von den in der Vorlesung besprochenen Konzepten, wie zum Beispiel das Testen von Hypothesen und entsprechende Wahrscheinlichkeitsaussagen, ob ein Beobachtungseffekt in den Daten signifikant ist. In diesem Abschnitt wird Programmiercode entwickelt, der grundlegende Analysemethoden in einer möglichst allgemeinen Form abbildet. Durch seine breite Anwendbarkeit lässt er sich flexibel einsetzen und kann auch im weiteren wissenschaftlichen Kontext weiterverwendet werden.

Der letzte und zugleich kreativste Schritt liegt in der wirkungsvollen Vermittlung der Ergebnisse, meist in Form einer annotierten Abbildung. Dabei geht es nicht nur um die visuelle Darstellung, sondern auch darum, die gewonnenen Erkenntnisse prägnant, nachvollziehbar und wissenschaftlich fundiert aufzubereiten, sodass sie eine eigenständige Aussagekraft besitzen und zur Interpretation einladen.

Je nach Bildungsbiographie kann bei den verschiedenen Schritten unterschiedliche Vorerfahrung vorteilhaft sein.Diese Art von Heterogenität führt im Idealfall zu einer fruchtbaren Kommunikation und teilweise erfreulich unterschiedlichen Darstellungsformen der Ergebnisse in den Lernteams.

Dynamische Lehre durch Reflexion und Anpassung

Durch die enge Zusammenarbeit der Lernenden innerhalb der Gruppen, zwischen den Teams und dem regen Austausch mit den Tutor*innen wird auch das Lernmaterial immer wieder kritisch hinterfragt. So werden die Vorlesungen in unmittelbarer Wechselwirkung mit dem Material der Übungen verfasst. Fragen, die wir uns als Lehrende immer wieder stellen, sind z.B: Wie gut ist das Notebook tatsächlich verzahnt mit den Inhalten der Vorlesung, sodass Studierende nahtlos das in die Praxis umsetzen können? Wie gut lädt das Lernmaterial dazu ein, mathematische Konzepte in Code zu übersetzen, vor allem auch für Studierende mit wenig Programmiererfahrung? 

Es ist uns ebenso ein Anliegen, dass die Lernenden nicht nur vorgefertigte Linien nachzeichnen,sondern sich im Rahmen präzisen Arbeitens freier Ausdrucksformen in Form von Abbildungen bedienen können. Hier werden die Lehrenden selbst zu Lernenden. Auf der Grundlage des Studierenden-Feedbacks und dessen, was die Tutor*innen in den Kursen an Rückmeldungen sammeln, wird das Lernmaterial von uns regelmäßig angepasst. Das gilt auch für neue Faktoren wie die Omnipräsenz von KI-Tools, die –effektiv eingesetzt– das Programmieren erheblich erleichtern. Indem sie technische Hürden reduzieren, bleibt Studierenden und Lehrenden mehr Raum für die inhaltliche Vermittlung und konzeptionelle Fragestellungen. Anstatt sich mit syntaktischen Details aufzuhalten, kann der Fokus stärker auf die wissenschaftliche Analyse und Interpretation gelegt werden.

Für kommende Semester soll der Aspekt des explorativen und interdisziplinären Lernens noch mehr Bedeutung bekommen. Zukünftig könnte eine noch stärkere Einbindung von KI-gestützten Werkzeugen und realen Forschungsdaten die Praxisnähe weiter erhöhen. Denn wir sind davon überzeugt, dass das Hand-in-Hand gehen von inhaltlicher Vermittlung und dem Einsatz moderner Computermethoden, wissenschaftliches Denken und Problemlösungskompetenzen fördert und Studierende fit macht für die Herausforderungen von morgen.