ΠΟΛΛΑΠΛΗ ΣΤΟΙΧΙΣΗ ΑΚΟΛΟΥΘΙΩΝ I
|
|
- Αἴσων Κομνηνός
- 8 χρόνια πριν
- Προβολές:
Transcript
1 ΠΟΛΛΑΠΛΗ ΣΤΟΙΧΙΣΗ ΑΚΟΛΟΥΘΙΩΝ I Σελίδα 1
2 Πολλαπλή στοίχιση αποκαλύπτει συντηρημένες περιοχές αντιστοίχιση καταλοίπων με κριτήρια ομοιότητας σε επίπεδο δομής εξέλιξης λειτουργίας ακολουθίας Σελίδα 2
3 Πολλαπλή στοίχιση Εύρεση απομακρυσμένων ομόλογων πρωτεϊνών Δημιουργία profile που περιγράφει ένα domain Φυλογενετική ανάλυση Εύρεση συντηρημένων περιοχών που αντιστοιχούν σε υποκινητές, καταλυτικά κέντρα κ.α. Μελέτη της επίδρασης SNPs στη δομή και λειτουργία Πρόβλεψη δευτεροταγούς και τριτοταγούς δομής πρωτεϊνών Σχεδιασμός εκκινητών PCR Σελίδα 3
4 Σελίδα 4
5 Βαθμολόγηση Πολλαπλής Στοίχισης Ορισμένες θέσεις είναι καλύτερα συντηρημένες από άλλες. Οι ακολουθίες δεν είναι ανεξάρτητες αλλά σχετίζονται με κάποιο φυλογενετικό δέντρο. Τα κατάλοιπα μιας στήλης έχουν προέλθει από ένα "αρχέγονο" κατάλοιπο. Η στοίχιση πρέπει να μεγιστοποιεί την πιθανότητα εύρεσης κοινού προγόνου. Απλοποιήσεις: Αγνοούμε φυλογενετικά δένδρα Στατιστικά ανεξάρτητες οι στήλες της στοίχισης? x y z w v
6 Βαθμολόγηση Πολλαπλής Στοίχισης στοίχιση m AC-GCGG-C m = AC-GC-GAG GCACC-GAG m j i = κατάλοιπο στη στήλη i στην ακολουθία j π.χ. m 2 4 = G c ia = παρατηρούμενος αριθμός καταλοίπων a στη στήλη i π.χ. c 1A =2, c 1C =0, c 1G =1, c 1T =0, C 1- =0 p ia = πιθανότητα του καταλοίπου a στη στήλη i Σελίδα 6
7 Βαθμολόγηση Πολλαπλής Στοίχισης Minimum Entropy S(m i ) = - a c ia log 2 p ia S(m i ) το score της i στήλης της στοίχισης m μέτρο της μεταβλητότητας που παρατηρείται στη στήλη i καλή στοίχιση ελαχιστοποιεί την συνολική εντροπία ι S(m i ) Σελίδα 7
8 Βαθμολόγηση Πολλαπλής Στοίχισης Sum-of-Pairs Score άθροισμα των scores όλων των "επαγόμενων" ανά δύο στοιχίσεων S(m) = ι S(m i ) S(m i ) = k<l s(m ik, m il ) όπου s(m ik, m il ) το score της στοίχισης των καταλοίπων στις ακολουθίες k και l, όπως προκύπτει από ένα πίνακα αντικατάστασης Σελίδα 8
9 Βαθμολόγηση Πολλαπλής Στοίχισης Sum-of-Pairs Score Seq1: ALLE Seq2: GLLD Seq3: WLGD Blosum50 s(l-l) = 5 s(l-g) = -4 επαγόμενες ανά δύο στοιχίσεις Seq1: ALLE Seq2: GLLD Seq1: ALLE Seq3: WLGD Seq2: GLLD Seq3: WLGD SP = SP(1) + SP(2) + SP(3) + SP(4) SP(2) = s(l-l) + s(l-l) + s(l-l) = 15 SP(3) = s(l-l) + s(l-g) + s(l-g) = -3 Σελίδα 9
10 Βαθμολόγηση Πολλαπλής Στοίχισης Weighted Sum-of-Pairs Score S(m i ) = k<l w kl s(m ik, m il ) Ακολουθία στήλη A στήλη B στήλη C 1.. N N..N 2.. N N..N 3.. N N..N 4.. N N..C 5.. N C..C Sum-of-pairs score: Σελίδα 10
11 Μέθοδοι πολλαπλής στοίχισης Δυναμικός προγραμματισμός (dynamic programming) Σελίδα 11
12 Carillo and Lipman Σελίδα 12
13 Στοίχιση Άστρου δεδομένα Σελίδα 13
14 Στοίχιση Άστρου ζεύγος ακολουθιών προς ενσωμάτωση στοίχιση Σελίδα 14
15 Στοίχιση Άστρου ζεύγος ακολουθιών προς ενσωμάτωση στοίχιση Μετακίνηση ολόκληρης στήλης όταν εισέρχεται κενό Σελίδα 15
16 Στοίχιση Άστρου ATTGCC-ATT ATGGCC-ATT ATCCAATTTT ATCT-T-CTT ATTGCCGATT Σελίδα 16
17 Στοίχιση Άστρου Επιλογή μιας ακολουθίας (x c ) ως το "κέντρο" του άστρου Για κάθε μια από τις x 1,, x k με i c Στοίχιση ΔΠ "Ενσωμάτωση" στοιχίσεων με την αρχή "once a gap, always a gap". Για την επιλογή του "κέντρου" του άστρου Δοκιμή όλων και επιλογή εκείνης της ακολουθίας x c που μεγιστοποιεί: Σελίδα 17
18 Προοδευτική στοίχιση (progressive alignment) στοίχιση βάσει ενός δέντρου οδηγού Score 1-2 Score από scores σε αποστάσεις scores Score 4-5 πίνακας ομοιότητας Δένδρο οδηγός Πολλαπλή στοίχιση
19 Προοδευτική στοίχιση ClustalW
20 ClustalW στατιστικό βάρος βάσει των αποστάσεων των ακολουθιών στο δέντρο-οδηγό w = 0.055/ / / / /6 = Σελίδα 20
21 ClustalW Σελίδα 21
22 ClustalW Σελίδα 22
23 ClustalW Ακολουθία A (βάρος a) K (στοίχιση 1) Ακολουθία B (βάρος b) I (στοίχιση 1) Ακολουθία C (βάρος c) L (στοίχιση 2) Ακολουθία D (βάρος d) V (στοίχιση 2) χωρίς στάθμιση με τη χρήση στατιστικών βαρών μέσος όρος των scores των ανά δύο στοιχίσεων των ακολουθιών της πρώτης ομάδας με εκείνες της δεύτερης Score= {score(k,l ) + score(i,l) + score(k,v) + score(i,v)}/4 Σελίδα 23
24 ClustalW Ακολουθία A (βάρος a) K (στοίχιση 1) Ακολουθία B (βάρος b) I (στοίχιση 1) Ακολουθία C (βάρος c) L (στοίχιση 2) Ακολουθία D (βάρος d) V (στοίχιση 2) στάθμιση με τη χρήση στατιστικών βαρών μέσος όρος των σταθμισμένων scores των ανά δύο στοιχίσεων των ακολουθιών της πρώτης ομάδας με εκείνες της δεύτερης Score= {a*c*score(k,l ) + b*c*score(i,l) + a*d*score(k,v) + b*d*score(i,v)}/4 Σελίδα 24
25 ClustalW Ολική στοίχιση όλων των ακολουθιών ανά δύο με δυναμικό προγραμματισμό και μετατροπή των scores ομοιότητας σε εξελικτικές αποστάσεις. Δημιουργία του δέντρου-οδηγού βάσει του πίνακα αποστάσεων με τη μέθοδο Neighbor-joining. χαμηλότερης ακρίβειας από ένα φυλογενετικό δέντρο απόδοση στατιστικών βαρών (weights) στις ακολουθίες Σελίδα 25
26 ClustalW Προοδευτική στοίχιση βάσει του δέντρου-οδηγού με δυναμικό προγραμματισμό στοίχιση ακολουθίας με ακολουθία ακολουθίας με στοίχιση στοίχισης με στοίχιση στάθμιση με τη χρήση των στατιστικών βαρών από το δέντρο-οδηγό Σελίδα 26
27 ClustalW + Χρήση διαφορετικού πίνακα αντικατάστασης ανάλογα με την απόσταση των ακολουθιών στο δέντρο-οδηγό + Προσαρμογή των ποινών για τα κενά ομοιότητα και μήκος ακολουθιών προϋπάρχοντα κενά γειτνίαση με κενά υδρόφιλα τμήματα αμινοξέα Εξαρτάται από τη σειρά των στοιχίσεων. "Once a gap, Always a gap" Σελίδα 27
28 T-Coffee Δημιουργία βιβλιοθήκης ανά δύο στοιχίσεων Ολική στοίχιση Τοπική στοίχιση Δομική στοίχιση Προοδευτική στοίχιση βάσει της πληροφορίας όλων των επιμέρους στοιχίσεων Καλύτερης ποιότητας στοιχίσεις Πιο αργός υπολογισμός Σελίδα 28
29 Επαναληπτική Στοίχιση (iterative alignment) Σελίδα 29
30 Μοντέλα Πολλαπλής Στοίχισης Consensus sequences Patterns and regular expressions Position Specifc Scoring Matrices (PSSMs) Generalized Profiles Hidden Markov Models (HMMs) Στοίχιση νέων ακολουθιών Αναζήτηση σε βάσεις δεδομένων Σχολιασμός νέων ακολουθιών Σελίδα 30
31 Από την Ακολουθία στη Λειτουργία Σελίδα 31
32 Συναινετική ακολουθία Majority wins Consensus sequences Σελίδα 32
33 Πλεονεκτήματα Consensus sequences Γρήγορη και εύκολη υλοποίηση Περιορισμοί Δεν έχουν πληροφορία σχετικά με τη μεταβλητότητα κάθε στήλης Εξαρτώνται πολύ από τις αρχικές ακολουθίες (training set) Δυαδικό αποτέλεσμα (ΝΑΙ / ΌΧΙ) Χρησιμότητα Αναζήτηση ιδιαίτερα συντηρημένων "υπογραφών" (signatures), όπως θέσεις περιορισμού (enzyme restriction sites) στο DNA Σελίδα 33
34 Patterns and regular expressions Μοτίβο Περιγράφει σε μία γραμμή μια ομάδα εναλλακτικών ακολουθιών Στην επιστήμη των υπολογιστών, τα μοτίβα ονομάζονται κανονικές εκφράσεις
35 Patterns and regular expressions Σύνταξη Prosite "x" οποιοδήποτε κατάλοιπο [ ] : επιτρεπτά κατάλοιπα π.χ. [ALT] = Ala ή Leu ή Thr { } : μη επιτρεπτά κατάλοιπα π.χ. {AM} οποιοδήποτε κατάλοιπο εκτός Ala και Met () : ποσοτικός τελεστής π.χ. x(3) = x-x-x, x(2,4) = x-x ή x-x-x ή x-x-x-x "-" διαχωρίζει γειτονικά στοιχεία "<" στο αμινοτελικό άκρο ">" στο καρβοξυτελικό άκρο
36 Patterns and regular expressions Σύνταξη Prosite <A-x-[ST](2)-x(0,1)-{V} Ala στο αμινοτελικό άκτο Οποιοδήποτε αμινοξύ Ser ή Thr δύο φορές Κανένα ή ένα οποιοδήποτε αμινοξύ Οποιοδήποτε αμινοξύ εκτός από Val Σελίδα 36
37 Patterns and regular expressions [AC]-x-V-x(4)-{ED} DEHSDVLPVLDVCSVKHVAEVFQALIYWIKAMNQQTTLDT Σε ποια (-ες) θέση(-εις) της ακολουθίας ταιριάζει; DEHSDVLPVLDVCSVKHVAEVFQALIYWIKAMNQQTTLDT [AC]-x-V-x(4)-{ED} Σελίδα 37
38 Patterns and regular expressions ZINC_FINGER_C2H2_1 C-x(2,4)-C-x(3)-[LIVMFYWC]-x(8)-H-x(3,5)-H Σελίδα 38
39 Patterns and regular expressions Τα μοτίβα σχεδιάζονται από επιστήμονες εξάγονται αυτόματα από μη στοιχισμένες ακολουθίες με ειδικά προγράμματα Πλεονεκτήματα Η αναγνώριση μοτίβων είναι γρήγορη και υλοποιείται εύκολα. Τα μοτίβα σχεδιάζονται και κατανοούνται εύκολα. Χρησιμότητα Αναζήτηση μικρού μήκους "υπογραφών" (signatures) Σελίδα 39
40 Patterns and regular expressions Περιορισμοί Ανεπαρκής μοντελοποίηση κενών Ανεπαρκής πρόβλεψη, τείνουν να αναγνωρίζουν μόνο τις ακολουθίες από τις οποίες κατασκευάστηκαν (training set) Δυαδική απάντηση (ΝΑΙ/ΟΧΙ) Σελίδα 40
41 ACA Τ ATG TCA A ATC ACA C AGC AGA - ATC ACC G ATC Patterns and regular expressions [AT]-[CG]-[AC]-x(0,1)-A-[TG]-[GC] Είναι το ίδιο πιθανές οι ακολουθίες που προκύπτουν από το μοτίβο; T G C T A G G A C A C A T C Σελίδα 41
42 Patterns and regular expressions Prosite patterns Precision = true hits / (true hits + false positives) Recall = true hits / (true hits + false negatives) Sequence logo Σελίδα 42
43 Position Specifc Scoring Matrix (PSSM) Πολλαπλή στοίχιση χωρίς κενά Υπολογισμός της συχνότητας εμφάνισης f i,j κάθε καταλοίπου i σε κάθε στήλη της στοίχισης j π.χ. f A,1 =0/5=0, f G,1 = 5/5=0 π.χ. f A,2 =0/5=0, f H,1 = 5/5=0 Ορισμένες συχνότητες αμινοξέων για κάποιες στήλες είναι ίσες με 0. Αποκλείονται αυτά τα αμινοξέα από τις συγκεκριμένες θέσεις. Χρήση pseudocounts Σελίδα 43
44 Position Specifc Scoring Matrix (PSSM) pseudocounts Πρόσθεση ενός μικρού αριθμού κατά των υπολογισμό όλων των συχνοτήτων π.χ. 1 π.χ. f A,1 = (0+1)/(5+20) = 0 = 0.04 π.χ. f G,1 = (5+1)/(5+20) = 0 = 0.24 Περισσότερο εξειδικευμένες προσεγγίσεις π.χ. Dirichlet mixtures Σελίδα 44
45 Position Specifc Scoring Matrix (PSSM) Κανονικοποίηση των συχνοτήτων Διαίρεση με την αναμενόμενη συχνότητα εμφάνισης q i των καταλοίπων σε μια τυχαία ακολουθία π.χ. ίδια συχνότητα για όλα τα αμινοξέα q i = 1/20 = 0.05 π.χ. βάσει των συχνοτήτων εμφάνισης στην Uniprot Υπολογισμός του score S ij του καταλοίπου i στη στήλη j S ij log 2 f q ' ij i π.χ. S A,1 = log 2 (0.04/0.05) = π.χ. S G,1 = log 2 (0.24/0.05) = 2.26 Σελίδα 45
46 Position Specifc Scoring Matrix (PSSM) Στάθμιση των ακολουθιών κατά των υπολογισμό των συχνοτήτων μικρό στατιστικό βάρος για πολύ όμοιες ακολουθίες μεγάλο στατιστικό βάρος για λιγότερο όμοιες ακολουθίες Το PSSM εφαρμόζεται ως κυλιόμενο παράθυρο σε μία ακολουθία Σε κάθε θέση υπολογίζεται το score, αθροίζοντας τα επιμέρους scores. Στο τέλος αναφέρεται η θέση με το μεγαλύτερο score. Σελίδα 46
47 Position Specifc Scoring Matrix (PSSM) T S G H E L V G G V A F P A R C A S T S G H E L V G G V A F P A R C A S T S G H E L V G G V A F P A R C A S T S G H E L V G G V A F P A R C A S
48 Position Specifc Scoring Matrix (PSSM) S T,1 + S S,2 + S G,3 + S H,4 + S E,5 S L,6 + S V,7 + S G,8 + S G,9 + S V,10 + S A,11 + S F,12 = = -6 Σελίδα 48
49 Position Specifc Scoring Matrix (PSSM) S G,1 + S H,2 + S E,3 + S L,4 + S V,5 S G,6 + S G,7 + S V,8 + S A,9 + S F,10 + S P,11 + S A,12 = = 39 Σελίδα 49
50 Position Specifc Scoring Matrix (PSSM) Κατανομή των scores του PSSM σε τυχαίες ακολουθίες Εκτίμηση ενός E-value αριθμός των τυχαίων ακολουθιών με PSSM score ίσο ή μεγαλύτερο του παρατηρηθέντος Σελίδα 50
51 Position Specifc Scoring Matrix (PSSM) Eξάγονται αυτόματα από μη στοιχισμένες ακολουθίες MEME Πλεονεκτήματα γρήγορη και εύκολη υλοποίηση επιστρέφουν score Περιορισμοί απαγορεύονται τα κενά, δεν μπορούν να μοντελοποιηθούν μεγάλες περιοχές Χρησιμότητα για τη μοντελοποίηση περιοχών υψηλής μεταβλητότητας αλλά σταθερού μήκους Σελίδα 51
52 Position Specifc Scoring Matrix (PSSM) fingerprints συνδυασμός δύο ή περισσότερων PSSMs για την περιγραφή μιας μεγάλου μήκους περιοχής PRINTS Σελίδα 52
53 Generalized Profiles Επέκταση των PSSMs με τη χρήση ποινών για διαγραφές και προσθήκες που εξαρτώνται από τη θέση Prosite MyHits Ιδιαίτερα ευαίσθητη αναζήτηση απομακρυσμένων ομόλογων ακολουθιών Προγράμματα για τη δημιουργία και τη βαθμονόμηση του profile Υψηλές υπολογιστικές απαιτήσεις Σελίδα 53
Βιοπληροφορική. Ενότητα 13: Μοντέλα Πολλαπλής Στοίχισης (1/2), 1.5ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου
Βιοπληροφορική Ενότητα 13: Μοντέλα Πολλαπλής Στοίχισης (1/2), 1.5ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι παρουσίαση των μοντέλων πολλαπλής στοίχισης. κατανόηση των εφαρμογών
Βιοπληροφορική. Ενότητα 12: Μέθοδοι Πολλαπλής Στοίχισης, 2 ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου
Βιοπληροφορική Ενότητα 12: Μέθοδοι Πολλαπλής Στοίχισης, 2 ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι Κατανόηση των μεθόδων πολλαπλής στοίχισης. Ανάδειξη των πλεονεκτημάτων και
ΕΠΑΝΑΛΗΨΗ. Σελίδα 1 ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ. Τ. Θηραίου
ΕΠΑΝΑΛΗΨΗ Σελίδα 1 τεχνική σύγκρισης ακολουθιών υπολογισµός ενός µέτρου οµοιότητας αναζήτηση ομολογίας S-S match S1 HFCGGSLINEQWVVSAGHC HFCG S NE AGHC S2 HFCGASIYNENYA-TAGHC gap mismatch Σελίδα 2 ολική
Βιοπληροφορική. Ενότητα 11: Πολλαπλή Στοίχιση Ακολουθιών, 1ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου
Βιοπληροφορική Ενότητα 11: Πολλαπλή Στοίχιση Ακολουθιών, 1ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι κατανόηση της έννοιας και των εφαρμογών της πολλαπλής στοίχισης ακολουθιών.
Πολλαπλή στοίχιση multiple sequence alignment (MSA)
Πολλαπλή στοίχιση multiple sequence alignment (MSA) MSA: Τι είναι Στοίχιση για 3 ή περισσότερες ακολουθίες. Αποκαλύπτονται οι συντηρηµένες περιοχές µεταξύ των ακολουθιών µιας οικογένειας. Χρειάζεται για:
Βιοπληροφορική. Ενότητα 14: Μοντέλα Πολλαπλής Στοίχισης (2/2), 1.5ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου
Βιοπληροφορική Ενότητα 14: Μοντέλα Πολλαπλής Στοίχισης (2/2), 1.5ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι παρουσίαση των μοντέλων πολλαπλής στοίχισης. κατανόηση των εφαρμογών
ΑΣΚΗΣΗ 4η Αναζήτηση οµοιοτήτων σε βάσεις δεδοµένων ακολουθιών
ΑΣΚΗΣΗ 4η Αναζήτηση οµοιοτήτων σε βάσεις δεδοµένων ακολουθιών ΕΙΣΑΓΩΓΗ Η αναζήτηση οµοιοτήτων σε βάσεις δεδοµένων ακολουθιών (database similarity searching) αποτελεί µια από τις συχνότερα χρησιµοποιούµενες
LALING/PLALING :
1. Άρθρα- δημοσιεύσεις Scopus DBLP Pubmed Google Scholar 2. Αναζήτηση νουκλεοτιδίου- πρωτεΐνης Entrez : http://www.ncbi.nlm.nih.gov/nuccore/ Uniprot (πρωτεΐνης): http://www.uniprot.org/ Blast : http://blast.ncbi.nlm.nih.gov/blast.cgi
Πίνακες αντικατάστασης PAM και BLOSUM και εναλλακτικές προσεγγίσεις
Πίνακες αντικατάστασης PAM και BLOSUM και εναλλακτικές προσεγγίσεις Βασίλης Προμπονάς, PhD Ερευνητικό Εργαστήριο Βιοπληροφορικής Τμήμα Βιολογικών Επιστημών Νέα Παν/πολη, Γραφείο B161 Πανεπιστήμιο Κύπρου
Βιοπληροφορική. Blast/PSI-Blast 3o εργαστήριο
Βιοπληροφορική Blast/PSI-Blast 3o εργαστήριο Αναζήτηση οµόλογων ακολουθιών σε βάσεις δεδοµένων (i) Οµόλογες ακολουθίες πιθανόν να έχουν παρόµοιες λειτουργίες. Ακολουθία επερώτησης (query sequence) Υποκείµενες
Πολλαπλές στοιχίσεις ακολουθιών (Προοδευτικές μέθοδοι)
Πολλαπλές στοιχίσεις ακολουθιών (Προοδευτικές μέθοδοι) Vasilis Promponas Bioinformatics Research Laboratory Department of Biological Sciences University of Cyprus Σύνοψη Εισαγωγή Πολλαπλή στοίχιση και
Βιοπληροφορική. Ενότητα 6: Στοίχιση ακολουθιών ανά ζεύγη Σύστημα βαθμολόγησης, 2 ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ.
Βιοπληροφορική Ενότητα 6: Στοίχιση ακολουθιών ανά ζεύγη Σύστημα βαθμολόγησης, 2 ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι Κατανόηση της σημασίας του συστήματος βαθμολόγησης
Ειδικά Θέματα Βιοπληροφορικής
Ειδικά Θέματα Βιοπληροφορικής Παντελής Μπάγκος Αναπληρωτής Καθηγητής Πανεπιστήμιο Θεσσαλίας Λαμία, 2015 1 Πολλαπλή στοίχιση ακολουθιών και φυλογενετικά δέντρα 2 Πολλαπλή στοίχιση Αναφέρεται στην ταυτόχρονη
ΔΕΥΤΕΡΟΓΕΝΕΙΣ ΒΑΣΕΙΣ ΠΡΩΤΕΪΝΙΚΩΝ. Δρ. Μαργαρίτα Θεοδωροπούλου
ΔΕΥΤΕΡΟΓΕΝΕΙΣ ΒΑΣΕΙΣ ΠΡΩΤΕΪΝΙΚΩΝ Δρ. Μαργαρίτα Θεοδωροπούλου Βάσεις δεδομένων οικογενειών Οι πρωτεΐνες αποτελούνται από μία ή περισσότερες διακριτές λειτουργικές περιοχές (domains), οι οποίες πολλές
Βιοπληροφορική. Ενότητα 14: Μοντέλα Πολλαπλής Στοίχισης (2/2), 1.5ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου
Βιοπληροφορική Ενότητα 14: Μοντέλα Πολλαπλής Στοίχισης (2/2), 1.5ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι παρουσίαση των μοντέλων πολλαπλής στοίχισης. κατανόηση των εφαρμογών
Μέθοδοι μελέτης εξέλιξης
H διερεύνηση της μοριακής βάσης της εξέλιξης βασίζεται σε μεγάλο βαθμό στη διευκρίνιση της διαδικασίας με την οποία μετασχηματίσθηκαν στη διάρκεια της εξέλιξης πρωτεϊνες, άλλα μόρια και βιοχημικές πορείες
ΑΣΚΗΣΗ 3η Στοίχιση ακολουθιών βιολογικών µακροµορίων
ΑΣΚΗΣΗ 3η Στοίχιση ακολουθιών βιολογικών µακροµορίων ΕΙΣΑΓΩΓΗ Ένας από τους πρωταρχικούς στόχους της σύγκρισης των ακολουθιών δύο µακροµορίων είναι η εκτίµηση της οµοιότητάς τους και η εξαγωγή συµπερασµάτων
Βιοπληροφορική. Ενότητα 6: Στοίχιση ακολουθιών ανά ζεύγη Σύστημα βαθμολόγησης, 2 ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ.
Βιοπληροφορική Ενότητα 6: Στοίχιση ακολουθιών ανά ζεύγη Σύστημα βαθμολόγησης, 2 ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι Κατανόηση της σημασίας του συστήματος βαθμολόγησης
PSI-Blast: τι είναι. Position specific scoring matrices (PSSMs) (Πίνακες αντικατάστασης θέσης)
PSI-Blast PSI-Blast PSI-Blast: τι είναι PSI-Blast: Position-specific iterated Blast Position specific scoring matrices (PSSMs) (Πίνακες αντικατάστασης θέσης) Altschul et al., 1997 http://www.ncbi.nlm.nih.gov/pmc/articles/pmc146917/pdf/253389.pdf
Στοίχιση κατά ζεύγη. Στοίχιση ακολουθιών κατά ζεύγη (Pairwise alignment)
Στοίχιση ακολουθιών κατά ζεύγη (Pairwise alignment) Στοίχιση κατά ζεύγη: Τι είναι Αντιστοίχιση των νουκλεοτιδίων/αµινοξέων δυο ακολουθιών, ώστε να εντοπιστούν οι οµοιότητες και οι διαφορές τους. Χρησιµοποιείται
Εισαγωγή στους αλγορίθμους Βιοπληροφορικής. Στοίχιση αλληλουχιών
Στοίχιση αλληλουχιών Σύνοψη Καθολική στοίχιση Μήτρες βαθμολόγησης Τοπική στοίχιση Στοίχιση με ποινές εισαγωγής κενών Από την LCS στη στοίχιση: αλλαγές στη βαθμολόγηση Το πρόβλημα της Μεγαλύτερης Κοινής
Δευτεροταγείς βάσεις δεδομένων (Secondary databases)
Δευτεροταγείς βάσεις δεδομένων (Secondary databases) Οι δευτεροταγείς (pattern) βάσεις δεδομένων (ΒΔ) περιέχουν τα αποτελέσματα από τις αναλύσεις των αλληλουχιών που βρίσκονται στις πρωτοταγείς πηγές πληροφόρησης.
ΕΡΓΑΣΤΗΡΙΑΚΕΣ ΑΣΚΗΣΕΙΣ
ΕΡΓΑΣΤΗΡΙΑΚΕΣ ΑΣΚΗΣΕΙΣ ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ Σελίδα 1 Αναζήτηση πληροφορίας σε βιολογικές ΒΔ Αναζήτηση δεδομένων στην UniProt Καταγράψτε το μήκος της αμινοξικής ακολουθίας (Sequence length), τη λειτουργία (Function)
Ασκήσεις 1 & 2. Βάσεις Δεδομένων. Εργαλεία Αναζήτησης ClustalW & Blast
Ασκήσεις 1 & 2 Βάσεις Δεδομένων Εργαλεία Αναζήτησης ClustalW & Blast Μοριακή Προσομοίωση Εισαγωγή: Δομική Βάση Βιολογικών Φαινομένων Η αξιοποίηση του πλήθους των δομικών στοιχείων για την εξαγωγή βιολογικά
ΑΝΑΖΗΤΗΣΗ ΟΜΟΙΟΤΗΤΩΝ ΣΕ ΒΑΣΕΙΣ Ε ΟΜΕΝΩΝ ΑΚΟΛΟΥΘΙΩΝ
Αναζήτηση οµοιοτήτων ΑΝΑΖΗΤΗΣΗ ΟΜΟΙΟΤΗΤΩΝ ΣΕ ΒΑΣΕΙΣ Ε ΟΜΕΝΩΝ ΑΚΟΛΟΥΘΙΩΝ Σελίδα 1 εδοµένα Ακολουθία επερώτησης (query sequence) Ακολουθίες στη Βάση εδοµένων (subject sequences) Αναζήτηση Μέθοδοι δυναµικού
Ειδικά Θέματα Βιοπληροφορικής
Ειδικά Θέματα Βιοπληροφορικής Παντελής Μπάγκος Αναπληρωτής Καθηγητής Πανεπιστήμιο Θεσσαλίας Λαμία, 2015 1 Διάλεξη 5 Profile Hidden Markov Models και Transformational Grammars 2 Profile HMM Ένα ΗΜΜ με left-to-right
Βιοπληροφορική. Ενότητα 5: Στοίχιση ακολουθιών ανά ζεύγη, 2 ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου
Βιοπληροφορική Ενότητα 5: Στοίχιση ακολουθιών ανά ζεύγη, 2 ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι Κατανόηση της συσχέτισης ομολογίας ομοιότητας. Παρουσίαση των πληροφοριών
Βιοπληροφορική. Ενότητα 10: Αναζήτηση Ομοιοτήτων σε ΒΔ Ακολουθιών - Blast, (1/2) 1ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ.
Βιοπληροφορική Ενότητα 10: Αναζήτηση Ομοιοτήτων σε ΒΔ Ακολουθιών - Blast, (1/2) 1ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι Αναφορά στις παραλλαγές του BLAST. Εξοικείωση με τη
Κατα ζέυγη στοίχιση και στατιστική σημαντικότητα αυτής
ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ ΙΙ Κατα ζέυγη στοίχιση και στατιστική σημαντικότητα αυτής Παντελής Μπάγκος 1 Διάλεξη 2 Αναζήτηση ομοιότητας και κατά ζεύγη στοίχιση ακολουθιών 2 Κατά ζεύγη στοίχιση ακολουθιών Από τα πιο
ΑΝΑΖΗΤΗΣΗ ΟΜΟΙΟΤΗΤΩΝ ΣΕ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΑΚΟΛΟΥΘΙΩΝ
ΑΝΑΖΗΤΗΣΗ ΟΜΟΙΟΤΗΤΩΝ ΣΕ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΑΚΟΛΟΥΘΙΩΝ Σελίδα 1 Αναζήτηση ομοιοτήτων Δεδομένα Ακολουθία επερώτησης (query sequence) Ακολουθίες στη Βάση Δεδομένων (subject sequences) Αναζήτηση Μέθοδοι δυναμικού
Βιοπληροφορική Ι. Παντελής Μπάγκος. Παν/µιο Στερεάς Ελλάδας
Βιοπληροφορική Ι Παντελής Μπάγκος Παν/µιο Στερεάς Ελλάδας Λαµία 2006 1 Βιοπληροφορική Ι Εισαγωγή: Ορισµός της Βιοπληροφορικής, Υποδιαιρέσεις της Βιοπληροφορικής, Τα είδη των δεδοµένων στη Βιοπληροφορική.
ΣΤΟΙΧΙΣΗ ΑΚΟΛΟΥΘΙΩΝ ΑΝΑ ΖΕΥΓΗ
ΣΤΟΙΧΙΣΗ ΑΚΟΛΟΥΘΙΩΝ ΑΝΑ ΖΕΥΓΗ Σελίδα 1 Ομολογία Σελίδα 2 Ομολογία Ομολογία κοινή εξελικτική καταγωγή Ορθόλογα γονίδια ειδογένεση συνήθως, ίδια βιολογική λειτουργία Παράλογα γονίδια γονιδιακός διπλασιασμός
Κεφάλαιο 5 ο : Αλγόριθµοι Σύγκρισης Ακολουθιών Βιολογικών εδοµένων
Κεφάλαιο 5 ο : Αλγόριθµοι Σύγκρισης Ακολουθιών Βιολογικών εδοµένων Σε αυτό το κεφάλαιο παρουσιάζουµε 2 βασικούς αλγορίθµους σύγκρισης ακολουθιών Βιολογικών εδοµένων τους BLAST & FASTA. Οι δυο αλγόριθµοι
Μέθοδοι Φυλογένεσης. Μέθοδοι που βασίζονται σε αποστάσεις UPGMA Κοντινότερης γειτονίας (Neighbor joining) Fitch-Margoliash Ελάχιστης εξέλιξης
Μέθοδοι Φυλογένεσης Μέθοδοι που βασίζονται σε αποστάσεις UPGMA Κοντινότερης γειτονίας (Neighbor joining) Fitch-Margoliash Ελάχιστης εξέλιξης Μέθοδοι που βασίζονται σε χαρακτήρες Μέγιστη φειδωλότητα (Maximum
Βιοπληροφορική. Ενότητα 9: Αναζήτηση Ομοιοτήτων σε ΒΔ Ακολουθιών - Στατιστική Σημαντικότητα, 1 ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ.
Βιοπληροφορική Ενότητα 9: Αναζήτηση Ομοιοτήτων σε ΒΔ Ακολουθιών - Στατιστική Σημαντικότητα, 1 ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι Παρουσίαση των εφαρμογών της αναζήτησης
Σηµειώσεις Βιοπληροφορικής
Σηµειώσεις Βιοπληροφορικής Πολλαπλή Στοίχιση Ακολουθιών Βασικές Έννοιες Γενίκευση των Αλγορίθµων Στοίχισης Κατά Ζεύγη Προοδευτική Πολλαπλή Στοίχιση CLUSTALW Πρακτικά Ζητήµατα ΒΑΣΙΛΗΣ ΠΡΟΜΠΟΝΑΣ ΑΘΗΝΑ 2004-2005,
Αλγόριθµοι Εύρεσης Οµοιοτήτων Ακολουθιών Μέρος ΙΙΙ: Έλεγχος στατιστικής σηµαντικότητας. Πίνακες αντικατάστασης για σύγκριση ακολουθιών
Αλγόριθµοι Εύρεσης Οµοιοτήτων Ακολουθιών Μέρος ΙΙΙ: Έλεγχος στατιστικής σηµαντικότητας Πίνακες αντικατάστασης για σύγκριση ακολουθιών Vasilis Promponas Bioinformatics Research Laboratory Department of
Κατά ζεύγη στοίχιση ακολουθιών Πολλαπλή στοίχιση ακολουθιών Patterns. Δρ. Μαργαρίτα Θεοδωροπούλου
Κατά ζεύγη στοίχιση ακολουθιών Πολλαπλή στοίχιση ακολουθιών Patterns Δρ. Μαργαρίτα Θεοδωροπούλου Από τα πιο σημαντικά προβλήματα στην Υπολογιστική Βιολογία Ιδιαίτερα πλούσια βιβλιογραφία για πάνω από 30
Μάθημα 16 ο ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ
Μάθημα 16 ο ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ Περιεχόμενα Παρουσίασης Βιολογικό υπόβαθρο Το κεντρικό αξίωμα Σύνοψη της Βιοπληροφορικής Ερευνητικές περιοχές Πηγές πληροφοριών Τι είναι η Βιοπληροφορική Βιο Πληροφορική μοριακή
ΜΕΛΕΤΗ ΤΟΥ ΓΟΝΙΔΙΩΜΑΤΟΣ
ΜΕΛΕΤΗ ΤΟΥ ΓΟΝΙΔΙΩΜΑΤΟΣ Σελίδα 1 Μελέτη του γονιδιώματος Ποια είναι τα γονίδια και που βρίσκονται; Ποιοι μηχανισμοί ρυθμίζουν την έκφραση κάθε γονιδίου; Σε τι επίπεδα εκφράζονται τα γονίδια υπό διαφορετικές
ΦΥΣΙΚΗ ΑΝΘΡΩΠΟΛΟΓΙΑ. Πρωτεύοντα ΙΙΙ Χρήση µοριακών δεδοµένων
ΦΥΣΙΚΗ ΑΝΘΡΩΠΟΛΟΓΙΑ Πρωτεύοντα ΙΙΙ Χρήση µοριακών δεδοµένων Φυλογένεση Η φυλογένεσης αφορά την ανεύρεση των συνδετικών εκείνων κρίκων που συνδέουν τα διάφορα είδη µεταξύ τους εξελικτικά, σε µονοφυλετικές
Βιοπληροφορική. Ενότητα 7: Στοίχιση ακολουθιών ανά ζεύγη Τεχνικές Στοίχισης Ακολουθιών,(2/2) 2 ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ.
Βιοπληροφορική Ενότητα 7: Στοίχιση ακολουθιών ανά ζεύγη Τεχνικές Στοίχισης Ακολουθιών,(2/2) 2 ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι Παρουσίαση της μεθόδου κατασκευής και
Βιοπληροφορική. Ενότητα 20: Υπολογιστικός Προσδιορισμός Δομής (2/3), 1 ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου
Βιοπληροφορική Ενότητα 20: Υπολογιστικός Προσδιορισμός Δομής (2/3), 1 ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι κατανόηση της μεθόδου προτυποποίησης πρωτεϊνών με ομολογία. παρουσίαση
Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Βιοπληροφορική
Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Βιοπληροφορική Ενότητα 12: Αναζήτηση ομοιοτήτων έναντι βάσεων δεδομένων με τη χρήση ευρετικών αλγορίθμων Αν. καθηγητής Αγγελίδης Παντελής e-mail: paggelidis@uowm.gr
Βιοπληροφορική. Ενότητα 16: Μεθοδολογίες (Ανα-) Κατασκευής, 2 ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου
Βιοπληροφορική Ενότητα 16: Μεθοδολογίες (Ανα-) Κατασκευής, 2 ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι Επεξήγηση των μεθόδων (ανα-)κατασκευής φυλογενετικών δέντρων. Παρουσίαση
Κεφάλαιο 4 Πολλαπλή Στοίχιση Ακολουθιών
Κεφάλαιο 4 Πολλαπλή Στοίχιση Ακολουθιών Σύνοψη Η πολλαπλή στοίχιση είναι μια διαδικασία με κεντρική σημασία στη σύγχρονη βιοπληροφορική. Πολλαπλές στοιχίσεις χρησιμοποιούνται για να εντοπιστούν τα συντηρημένα
Πρόγνωση δομής πρωτεϊνών (Μέρος Ι)
Πρόγνωση δομής πρωτεϊνών (Μέρος Ι) Βασίλης Προμπονάς, PhD Ερευνητικό Εργαστήριο Βιοπληροφορικής Τμήμα Βιολογικών Επιστημών Νέα Παν/πολη, Γραφείο B161 Πανεπιστήμιο Κύπρου Ταχ.Κιβ. 20537 1678, Λευκωσία ΚΥΠΡΟΣ
Περιοχές με ακραία σύσταση / χαμηλή πολυπλοκότητα
Περιοχές με ακραία σύσταση / χαμηλή πολυπλοκότητα Vasilis Promponas Bioinformatics Research Laboratory Department of Biological Sciences University of Cyprus Σύνοψη Βασικές έννοιες XNU SEG LCRs και αναζητήσεις
Βιοπληροφορική Ι. Παντελής Μπάγκος Αναπληρωτής Καθηγητής. Πανεπιστήμιο Θεσσαλίας Λαμία, 2015
Βιοπληροφορική Ι Παντελής Μπάγκος Αναπληρωτής Καθηγητής Πανεπιστήμιο Θεσσαλίας Λαμία, 2015 1 Διάλεξη 4 Hidden Markov Models (HMMs) 2 Μαρκοβιανά μοντέλα εξάρτησης Η πιθανότητα εμφάνισης ενός νουκλεοτιδίου
Πολλαπλή στοίχιση Φυλογένεση
Πολλαπλή στοίχιση Φυλογένεση MSA: Τι είναι Στοίχιση για 3 ή περισσότερες ακολουθίες. Αποκαλύπτονται οι συντηρηµένες περιοχές µεταξύ των ακολουθιών µιας οικογένειας. Χρειάζεται για: Δηµιουργία profiles/motifs
ΔΟΜΗ ΠΡΩΤΕΪΝΩΝ II. Σελίδα 1 ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ. Τ. Θηραίου
ΔΟΜΗ ΠΡΩΤΕΪΝΩΝ II Σελίδα 1 Υπολογιστικός Προσδιορισμός Δομής πειραματικός προσδιορισμός δομών κρυσταλλογραφία ακτίνων X πυρηνικός μαγνητικός συντονισμός (NMR) χρόνος / κόστος / περιορισμοί sequence - structure
Πρόβλημα. Σύνολο γνωστών αλληλουχιών
BLAST Πρόβλημα Άγνωστη αλληλουχία Σύνολο γνωστών αλληλουχιών Η χρήση ενός υπολογιστή κι ενός αλγόριθμου είναι απαραίτητη για την ανακάλυψη της σχέσης μιας αλληλουχίας με τις γνωστές υπάρχουσες Τί είναι
ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ ΙΙ. Δυναμικός Προγραμματισμός. Παντελής Μπάγκος
ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ ΙΙ Δυναμικός Προγραμματισμός Παντελής Μπάγκος Δυναμικός Προγραμματισμός Στοίχιση (τοπική-ολική) RNA secondary structure prediction Διαμεμβρανικά τμήματα Hidden Markov Models Άλλες εφαρμογές
Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Βιοπληροφορική. Ενότητα 7: Σύγκριση αλληλουχιών Part II
Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Βιοπληροφορική Ενότητα 7: Σύγκριση αλληλουχιών Part II Αν. καθηγητής Αγγελίδης Παντελής e-mail: paggelidis@uowm.gr ΕΕΔΙΠ Μπέλλου Σοφία e-mail: sbellou@uowm.gr
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ & ΥΠΟΛΟΓΙΣΤΩΝ Μέθοδοι Στοίχισης Ακολουθιών Σύγκριση Αλγορίθµων Στοίχισης Ακολουθιών σε
ΒΙΟ230 - Εισαγωγή στην Υπολογιστική Βιολογία Πρακτικό Εργαστήριο: Basic Local Alignment Search Tool BLAST
ΒΙΟ230 - Εισαγωγή στην Υπολογιστική Βιολογία Πρακτικό Εργαστήριο: Basic Local Alignment Search Tool BLAST Στέλλα Ταμανά, Βασίλης Προμπονάς Λευκωσία 2016-2018 Περίληψη (Overview) Κατά τη διάρκεια αυτού
Αλγόριθμοι Εύρεσης Ομοιοτήτων Ακολουθιών
Αλγόριθμοι Εύρεσης Ομοιοτήτων Ακολουθιών Μέρος Ι: Στοιχίσεις ακολουθιών κατά ζεύγη Βασίλης Προμπονάς, PhD Ερευνητικό Εργαστήριο Βιοπληροφορικής Τμήμα Βιολογικών Επιστημών Νέα Παν/πολη, Γραφείο B161 Πανεπιστήμιο
Διάλεξη 23: Τεχνικές Κατακερματισμού II (Hashing)
ΕΠΛ231 Δομές Δεδομένων και Αλγόριθμοι 1 Διάλεξη 23: Τεχνικές Κατακερματισμού II (Hashing) Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: - Διαχείριση Συγκρούσεων με Ανοικτή Διεύθυνση a) Linear
Φυλογένεση. 5o εργαστήριο
Φυλογένεση 5o εργαστήριο Φυλογένεση οργανισµών Δείχνει την εξελικτική πορεία µιας οµάδας οργανισµών. Οι κόµβοι (nodes) στο δένδρο απεικονίζουν γεγονότα ειδογένεσης. H φυλογένεση µπορεί να γίνει από µια
Πιθανοθεωρητικά µοντέλα αναπαράστασης ακολουθιών
Πιθανοθεωρητικά µοντέλα αναπαράστασης ακολουθιών Vasilis Promponas Bioinformatics Research Laboratory Department of Biological Sciences University of Cyprus ΣΥΝΟΨΗ Εισαγωγή Αλυσίδες Markov και αλληλουχίες
Βιοπληροφορική. Εισαγωγή. Αλέξανδρος Τζάλλας Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής ΤΕ.
Βιοπληροφορική Αλέξανδρος Τζάλλας e-mail: tzallas@teiep.gr ΤΕΙ Ηπείρου Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής ΤΕ Περιεχόμενα Διάλεξης Βιολογικό υπόβαθρο Το κεντρικό αξίωμα Σύνοψη της
Εξερευνώντας την Εξέλιξη Κεφάλαιο 7
Εξερευνώντας την Εξέλιξη Κεφάλαιο 7 Εξερευνώντας την Εξέλιξη Σχέση μεταξύ αλληλουχίας αμινοξέων, δομής και λειτουργίας πρωτεϊνών Καταγωγή από έναν κοινό πρόγονο Εξελικτική Συγγένεια/Προέλευση Δύο ομάδες
Βιοπληροφορική. Πίνακες Αντικατάστασης BLOSUM & Οπτική Σύγκριση Αλληλουχιών. Αλέξανδρος Τζάλλας
Βιοπληροφορική Πίνακες Αντικατάστασης BLOSUM & Οπτική Σύγκριση Αλληλουχιών Αλέξανδρος Τζάλλας e-mail: tzallas@teiep.gr ΤΕΙ Ηπείρου Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής ΤΕ Copyright
Βιοπληροφορική. Ενότητα 8: Αναζήτηση Ομοιοτήτων σε Βάσεις Δεδομένων Ακολουθιών, 2 ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ.
Βιοπληροφορική Ενότητα 8: Αναζήτηση Ομοιοτήτων σε Βάσεις Δεδομένων Ακολουθιών, 2 ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι Κατανόηση της αναγκαιότητας των ευριστικών αλγορίθμων
Βιοπληροφορική. Ενότητα 8: Αναζήτηση Ομοιοτήτων σε Βάσεις Δεδομένων Ακολουθιών, 2 ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ.
Βιοπληροφορική Ενότητα 8: Αναζήτηση Ομοιοτήτων σε Βάσεις Δεδομένων Ακολουθιών, 2 ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι Κατανόηση της αναγκαιότητας των ευριστικών αλγορίθμων
Αλγόριθμοι Εύρεσης Ομοιοτήτων Ακολουθιών Μέρος ΙΙΙ: Έλεγχος στατιστικής σημαντικότητας
Αλγόριθμοι Εύρεσης Ομοιοτήτων Ακολουθιών Μέρος ΙΙΙ: Έλεγχος στατιστικής σημαντικότητας Βασίλης Προμπονάς, PhD Ερευνητικό Εργαστήριο Βιοπληροφορικής Τμήμα Βιολογικών Επιστημών Νέα Παν/πολη, Γραφείο B161
ΑΡΧΕΣ ΒΙΟΛΟΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ
ΑΡΧΕΣ ΒΙΟΛΟΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ Εργαστήριο Βιοπληροφορικής 7 ο εξάμηνο Σχολή Μηχανολόγων Μηχανικών ΕΜΠ Διδάσκων: Λεωνίδας Αλεξόπουλος Fritz Kahn (1888 1968) 1 Περιεχόμενα Ομοιότητα πρωτεϊνών Σύγκριση αλληλουχιών
Αλγόριθμοι Εύρεσης Ομοιοτήτων Ακολουθιών Μέρος ΙΙ: Ευριστικές μέθοδοι αναζήτησης σε βάσεις δεδομένων
Αλγόριθμοι Εύρεσης Ομοιοτήτων Ακολουθιών Μέρος ΙΙ: Ευριστικές μέθοδοι αναζήτησης σε βάσεις δεδομένων Vasilis Promponas Bioinformatics Research Laboratory Department of Biological Sciences University of
BMI/CS 776 Lecture #14: Multiple Alignment - MUSCLE. Colin Dewey
BMI/CS 776 Lecture #14: Multiple Alignment - MUSCLE Colin Dewey 2007.03.08 1 Importance of protein multiple alignment Phylogenetic tree estimation Prediction of protein secondary structure Critical residue
Συγκριτική Γονιδιωματική
ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ ΙΙ Συγκριτική Γονιδιωματική Παντελής Μπάγκος 1 2 Μέθοδοι Ανάλυσης Μέθοδοι βασισμένες στην ομοιότητα ακολουθιών Τοπική ομοιότητα Ολική ομοιότητα Προγνωστικές μέθοδοι Δευτεροταγής δομή Διαμεμβρανικά
ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙI (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116)
Σελίδα 1 ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΜΑΘΗΜΑ: ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙΙ (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116) ΠΑΝΕΠΙΣΤΗΜΙΑΚΟΣ ΥΠΟΤΡΟΦΟΣ ΠΑΝΑΓΙΩΤΗΣ
Μάθημα 9 ο. Κατάτμηση Εικόνας ΤΜΗΥΠ / ΕΕΣΤ 1
Μάθημα 9 ο Κατάτμηση Εικόνας ΤΜΗΥΠ / ΕΕΣΤ Εισαγωγή () Η κατάτμηση έχει ως στόχο να υποδιαιρέσει την εικόνα σε συνιστώσες περιοχές και αντικείμενα. Μία περιοχή αναμένεται να έχει ομοιογενή χαρακτηριστικά
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΒΙΟΛΟΓΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΒΙΟΛΟΓΙΚΩΝ ΕΠΙΣΤΗΜΩΝ (ΒΙΟ 650) Ειδικά Θέματα Βιοπληροφορικής Διδάσκων: Βασίλειος Ι. Προμπονάς, Ph.D. Λέκτορας Βιοπληροφορικής ΓΕΝΙΚΕΣ ΠΛΗΡΟΦΟΡΙΕΣ Διαλέξεις Δευτέρα και Πέμπτη
Βιοπληροφορική Ι. Παντελής Μπάγκος Αναπληρωτής Καθηγητής. Πανεπιστήμιο Θεσσαλίας Λαμία, 2015
Βιοπληροφορική Ι Παντελής Μπάγκος Αναπληρωτής Καθηγητής Πανεπιστήμιο Θεσσαλίας Λαμία, 2015 1 Στοίχιση αλληλουχιών 2 Τρόποι μελέτης των ακολουθιών Global information Η ακολουθία αναπαρίσταται από ένα διάνυσμα
Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Βιοπληροφορική
Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Βιοπληροφορική Ενότητα 5: Πίνακες αντικατάστασης BLOSUM και οπτική σύγκριση αλληλουχιών Αν. καθηγητής Αγγελίδης Παντελής e-mail: paggelidis@uowm.gr ΕΕΔΙΠ
ΠΟΛΛΑΠΛΗ ΣΤΟΙΧΙΣΗ ΑΚΟΛΟΥΘΙΩΝ IΙ ΦΥΛΟΓΕΝΕΤΙΚΗ ΑΝΑΛΥΣΗ
ΠΟΛΛΑΠΛΗ ΣΤΟΙΧΙΣΗ ΑΚΟΛΟΥΘΙΩΝ IΙ ΦΥΛΟΓΕΝΕΤΙΚΗ ΑΝΑΛΥΣΗ Σελίδα 1 Μοντέλα Πολλαπλής Στοίχισης Consensus sequences Patterns and regular expressions Position Specifc Scoring Matrices (PSSMs) Generalized Profiles
Κεφάλαιο 5 Αναζήτηση προτύπων σε αλληλουχίες
Κεφάλαιο 5 Αναζήτηση προτύπων σε αλληλουχίες Σύνοψη Στο κεφάλαιο αυτό θα μελετήσουμε τα πρότυπα αλληλουχιών και θα εξετάσουμε τη χρησιμότητά τους. Θα δούμε τον τρόπο ορισμού των προτύπων της PROSITE και
Προγνωστικές μέθοδοι με βάση αλληλουχίες DNA
Προγνωστικές μέθοδοι με βάση αλληλουχίες DNA Vasilis Promponas Bioinformatics Research Laboratory Department of Biological Sciences University of Cyprus ΣΥΝΟΨΗ Εισαγωγή Αλυσίδες Markov και αλληλουχίες
ΕΠΕΞΕΡΓΑΣΙΑ ΚΕΙΜΕΝΟΥ
1. ΔΗΜΙΟΥΡΓΙΑ ΕΓΓΡΑΦΩΝ ΕΠΕΞΕΡΓΑΣΙΑ ΚΕΙΜΕΝΟΥ 1.1. Ορισµός εγγράφου, προτύπου, πρωτεύοντος και δευτερεύοντος εγγράφου 1.2. Πρότυπα 1.2.1. Δηµιουργία, µεταβολή, χρήση και διαγραφή προτύπων εγγράφων 1.2.2.
ΥΠΟΔΕΙΓΜΑΤΙΚΑ ΛΥΜΕΝΕΣ ΑΣΚΗΣΕΙΣ ΚΕΦ. 2ο
ΥΠΟΔΕΙΓΜΑΤΙΚΑ ΛΥΜΕΝΕΣ ΑΣΚΗΣΕΙΣ ΚΕΦ. 2ο 1. Δύο μόρια DΝΑ αποτελούνται το καθένα από 10.000 ζεύγη αζωτούχων βάσεων με 14 Ν. Τα μόρια μεταφέρονται σε περιβάλλον με ραδιενεργά νουκλεοτίδια που περιέχουν 15
Μάθημα 9 ο. Κατάτμηση Εικόνας ΤΜΗΥΠ / ΕΕΣΤ 1
Μάθημα 9 ο Κατάτμηση Εικόνας ΤΜΗΥΠ / ΕΕΣΤ Εισαγωγή () Η κατάτμηση έχει ως στόχο να υποδιαιρέσει την εικόνα σε συνιστώσες περιοχές και αντικείμενα. Μία περιοχή αναμένεται να έχει ομοιογενή χαρακτηριστικά
Μέτρα της οργάνωσης και της ποιότητας για τον Self-Organizing Hidden Markov Model Map (SOHMMM)
Μέτρα της οργάνωσης και της ποιότητας για τον Self-Organizing Hidden Markov Model Map (SOHMMM) Γενική περιγραφή του SOHMMM Ένα υβριδικό νευρωνικό δίκτυο, σύζευξη δύο πολύ επιτυχημένων μοντέλων: -Self-Organizing
Γράφημα. Συνδυαστικό αντικείμενο που αποτελείται από 2 σύνολα: Σύνολο κορυφών (vertex set) Σύνολο ακμών (edge set) 4 5 πλήθος κορυφών πλήθος ακμών
Γράφημα Συνδυαστικό αντικείμενο που αποτελείται από 2 σύνολα: Σύνολο κορυφών (vertex set) Σύνολο ακμών (edge set) 1 2 3 4 5 πλήθος κορυφών πλήθος ακμών Γράφημα Συνδυαστικό αντικείμενο που αποτελείται από
Ειδικά Θέματα Βιοπληροφορικής
Ειδικά Θέματα Βιοπληροφορικής Παντελής Μπάγκος Αναπληρωτής Καθηγητής Πανεπιστήμιο Θεσσαλίας Λαμία, 2015 1 The modular nature of proteins SGIRIIVVALYDYEAIHHEDLSFQKGDQMVVLEESGEWWKARSLATRKEGYIPSNYVARV DSLETEEWFFKGISRKDAERQLLAPGNMLGSFMIRDSETTKGSYSLSVRDYDPRQGDTVK
Ζεύγη βάσεων ΓΕΝΕΤΙΚΗ. Γουανίνη Κυτοσίνη. 4α. Λειτουργία γενετικού υλικού. Φωσφοδιεστερικός δεσμός
εύγη βάσεων Αδενίνη Θυμίνη Γουανίνη Κυτοσίνη ΓΕΝΕΤΙΚΗ Φωσφοδιεστερικός δεσμός 4α. Λειτουργία γενετικού υλικού 1 ΛΕΙΤΟΥΡΓΙΑ ΓΕΝΕΤΙΚΟΥ ΥΛΙΚΟΥ Αντιγραφή (διπλασιασμός) DNA: DNA DNA Έκφραση γενετικής πληροφορίας:
Αναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 3: Στοχαστικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΕΠΛ 450 ΥΠΟΛΟΓΙΣΤΙΚΗ ΒΙΟΛΟΓΙΑ. Παύλος Αντωνίου
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΕΠΛ 450 ΥΠΟΛΟΓΙΣΤΙΚΗ ΒΙΟΛΟΓΙΑ Παύλος Αντωνίου Με μια ματιά: Εισαγωγή στη Βιολογία Ευθυγράμμιση Ακολουθιών Αναζήτηση ομοίων ακολουθιών από βάσεις δεδομενων Φυλογενετική πρόβλεψη Πρόβλεψη
Μέθοδος μέγιστης πιθανοφάνειας
Μέθοδος μέγιστης πιθανοφάνειας Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σ.κ. της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα
Αρχιτεκτονική και Υλο οίηση σε Αναδιατασσόµενη Λογική του Αλγορίθµου T-Coffee για συνένωση κοµµατιών DNA
Αρχιτεκτονική και Υλο οίηση σε Αναδιατασσόµενη Λογική του Αλγορίθµου T-Coffee για συνένωση κοµµατιών DNA Λάκκα Ματίνα ιπλωµατική Εργασία Πολυτεχνείο Κρήτης Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Ηλεκτρονικών
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΒΙΟΛΟΓΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΒΙΟΛΟΓΙΚΩΝ ΕΠΙΣΤΗΜΩΝ (ΒΙΟ 650) Ειδικά Θέματα Βιοπληροφορικής Διδάσκων: Βασίλειος Ι. Προμπονάς, Ph.D. Επίκουρος Καθηγητής Βιοπληροφορικής ΓΕΝΙΚΕΣ ΠΛΗΡΟΦΟΡΙΕΣ Διαλέξεις Δευτέρα
Πίνακες Διασποράς. Χρησιμοποιούμε ένα πίνακα διασποράς T και μια συνάρτηση διασποράς h. Ένα στοιχείο με κλειδί k αποθηκεύεται στη θέση
Πίνακες Διασποράς Χρησιμοποιούμε ένα πίνακα διασποράς T και μια συνάρτηση διασποράς h Ένα στοιχείο με κλειδί k αποθηκεύεται στη θέση κλειδί k T 0 1 2 3 4 5 6 7 U : χώρος πιθανών κλειδιών Τ : πίνακας μεγέθους
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΒΙΟΛΟΓΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΒΙΟΛΟΓΙΚΩΝ ΕΠΙΣΤΗΜΩΝ BIO 230 Εισαγωγή στην Υπολογιστική Βιολογία Διδάσκων: Βασίλειος Ι. Προμπονάς, Ph.D. Επίκουρος Καθηγητής Βιοπληροφορικής ΓΕΝΙΚΕΣ ΠΛΗΡΟΦΟΡΙΕΣ Διαλέξεις Δευτέρα
Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά
Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά και Πληροφορικής Μαθηματικά Πανεπιστήμιο ΙΙ Ιωαννίνων
2 η ΕΝΟΤΗΤΑ ΑΚΕΡΑΙΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
ΣΧΟΛΗ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΕΜΠ ΕΙΣΑΓΩΓΗ ΣΤΗN ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ 2 η ΕΝΟΤΗΤΑ ΑΚΕΡΑΙΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Μ. Καρλαύτης Ν. Λαγαρός Άδεια Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες Χρήσης Creative
Θεωρία Πληροφορίας. Διάλεξη 4: Διακριτή πηγή πληροφορίας χωρίς μνήμη. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής
Θεωρία Πληροφορίας Διάλεξη 4: Διακριτή πηγή πληροφορίας χωρίς μνήμη Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Ατζέντα Διακριτή πηγή πληροφορίας χωρίς μνήμη Ποσότητα πληροφορίας της πηγής Κωδικοποίηση
Βιοπληροφορική. Ενότητα 19: Υπολογιστικός Προσδιορισμός Δομής (1/3), 2 ΔΩ. Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου
Βιοπληροφορική Ενότητα 19: Υπολογιστικός Προσδιορισμός Δομής (1/3), 2 ΔΩ Τμήμα: Βιοτεχνολογίας Όνομα καθηγητή: Τ. Θηραίου Μαθησιακοί Στόχοι κατανόηση της αναγκαιότητας και των εφαρμογών της υπολογιστικής
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 8 η : Κατάτμηση Εικόνας
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 8 η : Κατάτμηση Εικόνας Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής Σκοποί ενότητας Εισαγωγή στην κατάτμηση εικόνας Τεχνικές
Εξωτερική Αναζήτηση. Ιεραρχία Μνήμης Υπολογιστή. Εξωτερική Μνήμη. Εσωτερική Μνήμη. Κρυφή Μνήμη (Cache) Καταχωρητές (Registers) μεγαλύτερη ταχύτητα
Ιεραρχία Μνήμης Υπολογιστή Εξωτερική Μνήμη Εσωτερική Μνήμη Κρυφή Μνήμη (Cache) μεγαλύτερη χωρητικότητα Καταχωρητές (Registers) Κεντρική Μονάδα (CPU) μεγαλύτερη ταχύτητα Πολλές σημαντικές εφαρμογές διαχειρίζονται
! Εάν ο αριθμός διαθέτει περισσότερα bits, χρησιμοποιούμε μεγαλύτερες δυνάμεις του 2. ! Προσοχή στη θέση του περισσότερο σημαντικού bit!
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών 25-6 Πράξεις με δυαδικούς αριθμούς (αριθμητικές ) http://di.ionio.gr/~mistral/tp/csintro/ Αριθμοί Πράξεις με δυαδικούς αριθμούς
Supplemental file 3. All 306 mapped IDs collected by IPA program. Supplemental file 6. The functions and main focused genes in each network.
LIST OF SUPPLEMENTAL FILES Supplemental file 1. Primer sets used for qrt-pcr. Supplemental file 2. All 1305 differentially expressed genes. Supplemental file 3. All 306 mapped IDs collected by IPA program.