Thema 12: RNA Structure Prediction
|
|
- Johanna Fürst
- vor 6 Jahren
- Abrufe
Transkript
1 Thema 12: RNA Structure Prediction Vortrag gehalten von Tobias Sander am Einleitung 1.1 Vorwort Seit der Strukturaufklärung der DNA im Jahre 1953 durch Watson und Crick sind fast 60 Jahre vergangen und weitere Entdeckungen auf dem Gebiet der Molekularbiologie haben das Wissen in Bezug auf Funktion und Vorkommen der Nukleinsäuren von Grund auf erweitert. Ein Forschungsbereich der Molekularbiologie, der seinen Kinderschuhen entwachsen ist und in den letzten Jahren interdisziplinär auch andere Forschungsgebiete wie die Bioinformatik erobert hat, ist die Erforschung der verschiedenen Ribonukleinsäuren. Unterschiedliche RNA-Moleküle besitzen unterschiedliche Funktionen. So werden z.b. mit Hilfe von mrna's genetische Informationen als Kopien der DNA durch die Zellkernmembran zu den Ribosomen transportiert. trna's werden als Hilfsmoleküle bei der Proteinbiosynthese verwendet, rrna's beteiligen sich am Aufbau der Ribosomen und mirna's steuern die Genregulation und Expression[1]. Ein weiteres Forschungsgebiet der Molekularbiologie und Bioinformatik bezieht sich auf die Vorhersage der Faltung von RNA, der auch diese Ausarbeitung gewidmet ist. Im folgenden Abschnitt wird auf den biologischen Hintergrund der RNA Structure Prediction eingegangen. Im Hauptteil werden die dafür verwendeten Modelle und Algorithmen vorgestellt und erläutert und anschlieÿend, in der Zusammenfassung, die Ergebnisse komprimiert dargestellt. 1.2 Biologischer Hintergrund Wie der Titel RNA Structure Prediction schon andeutet, handelt es sich bei diesem Seminar um die Sekundärstrukturvorhersage von RNA-Molekülen. RNA-Moleküle können im Gegensatz zu DNA-Molekülen eine aktive, katalytische Rolle als Enzym im Organismus übernehmen[2], wohingegen DNA-Moleküle passiv als Informationsspeicher im Organismus vorhanden sind. Deshalb spielt die Faltung der RNA in unterschiedliche Konformationen für das Leben eine entscheidende Rolle. Zum Beispiel ist die Faltung in eine Kleeblattstruktur (engl. cloverleaf-structure) typisch für trna, die als Zwischenstufe bedeutsam für den Ablauf der Translation innerhalb der Ribosomen ist. Die Faltung der Einzelstrang-RNA (engl. single-stranded RNA) wird maÿgeblich durch die Basenpaarungen Adenin-Uracil (A-U) und Cytosin-Guanin (C-G) beeinusst. Daher stellen Basenpaarungen die Grundlage der Sekundärstruktur der RNA dar. Die Paare werden durch Wasserstobrückenbindungen zusammengehalten und es entstehen stabile Formen, die sich Watson-Crick-Paare (engl. Watson-Crick-Pairs) nennen. Aufgrund der Faltung der Einzelstrang-DNA in eine dreidimensionale Konformation (Tertiärstruktur), ergeben sich, ähnlich wie bei den Proteinen, Domänen mit charakteristischen strukturellen Elementen (siehe Abbildung 1). Diese Domänen bilden gegebenfalls aktive Zentren, die enzymatische Funktionen ermöglichen. 1
2 Abbildung 1: Schematische Darstellungen von Substrukturen. 2 Algorithmen der RNA Structure Prediction 2.1 Mathematische Denitionen Um dem Leser ein besseres Verständnis der Problematik zu vermitteln, werden zu Beginn einige Denitionen über vorkommende Strukturen und Substrukturen eingeführt: Denition 1 Eine RNA-Sequenz S[1... n] stellt eine Folge von Basen dar, wobei S[k] {U, A, C, G}. Denition 2 Eine Struktur R = {(i, j) 1 i < j n und (i, j)watson-crick-paar} ist eine mathematische Darstellung von Basenpaaren, und für alle (i, j), (i, j ) R gelte i = i j = j. Des Weiteren gelte für die Distanz zweier Basen (i, j) R : j i 2. (i, j) wird als Watson-Crick-Paar bezeichnet, wenn folgende Eigenschaft erfüllt ist: (i, j) {(U, A), (A, U), (C, G), (G, C)}. Denition 3 R* ist eine pseudoknotenfreie Struktur, wenn folgende Eigenschaft erfüllt ist: Es existieren keine Paare (i, j), (k, l) R für die gilt: i < k < j < l. Denition 4 Ein Basenpaar (i, j) R ist ein abschlieÿendes Basenpaar, d.h ein Basenpaar mit Distanz d = max{j i} für alle (i, j) R. (i, j ) ist ein inneres Basenpaar, wenn i < i < j < j und (i, j ) R. Denition 5 Es werden fünf mögliche Substrukturen in einer RNA-Sekundärstruktur wie folgt deniert: (mit loop bezeichnen wir eine Substruktur) Ein loop mit (i, j) R und einem {(i, j ) = (i + 1, j 1)} R wird als stem oder stacked pair bezeichnet. Ein loop mit (i, j) R und (i, j ) / R wird als hairpin loop bezeichnet. Ein loop mit (i, j) R und einem (i, j ) R mit ((i i) + (j j )) > 2 wird als interior loop bezeichnet. Ein interior loop wird als bulge loop bezeichnet, falls j = j 1 oder i = i + 1. Ein loop mit inneren Basenpaaren [(i 1, j 1 )... (i k, j k )] R und (i, j) R wird als k-multiloop bezeichnet. 2
3 Abbildung 2: Einfache schematische Darstellung eines Pseudoknotens. 2.2 Pseudoknoten Werden bei der Vorhersage der RNA-Sekundärstruktur anspruchsvollere Motive wie Pseudoknoten, die in der Natur eine bedeutende Rolle spielen, zugelassen, so verkomplizieren sie die Aufgabe der algorithmischen Vorhersage deutlich. Daher werden Pseudoknoten erst bei der Berechnung einer Tertiärstruktur mit einbezogen. Im vorherigen Abschnitt wurde in Denition 3 die pseudoknotenfreie Struktur R eingeführt. Durch Umkehrung dieser Denition erhält man die pseudoknotenbehaftete Struktur R + (Abbildung 2). R besteht aus verschachtelten und nebeneinander liegenden Elementen, besitzt aber keine überlappenden Strukturen, wie sie in R + zu nden sind. Wenn man Strukturen wie R + bei der Vorhersage vernachlässigt, so ist es möglich, mit Hilfe der in Abschnitt 2.3 vorgestellten Modelle, das Problem der Sekundärstrukturvorhersage in polynomieller Zeit O(n d ) zu lösen. 2.3 Modelle und Algorithmen der RNA Structure Prediction Es werden zwei Modelle und deren Algorithmen zur Sekundärstrukturvorhersage beschrieben. Um eine optimale Lösung zu nden, wird bei beiden Algorithmen dynamische Programmierung als globale Optimierungsstrategie verwendet Maximierung der Basenpaare Ziel des Modells ist es, eine Struktur R über eine gegebene RNA-Sequenz S zu berechnen, die die Anzahl der möglichen Basenpaare innerhalb der Struktur maximiert Charakterisierung der optimalen Teilstruktur Die Charakterisierung der optimalen Teilstruktur stellt den ersten Schritt der dynamischen Programmierung und damit den ersten Schritt der Lösung des Problems dar. Sei β(1, n) die maximale Anzahl von Basenpaaren einer Basenfolge S[1... n]. Ausgehend von einer optimalen Teillösung für eine zuvor berechnete, kleinere Teilstruktur, versucht man nun, die optimale Teillösung β(i, j) für die Teilstruktur S[i... j] zu berechnen. Dabei wird bewusst das Bellman-Prinzip angewendet, das besagt, dass sich eine optimale Lösung aus optimalen Teillösungen zusammensetzen lässt Rekursive Lösung und Bellman-Prinzip Zur Berechnung von β(i, j) wird pro Berechnungsschritt das Maximum aus Einem von vier Fällen ausgewählt und in einer Tabelle gespeichert (top-down-ansatz + Memoisierung). Die vier unterschiedlichen Fälle ergeben sich zu: 3
4 1. Es wird eine ungepaarte Base i zur bereits berechneten optimalen Teilstruktur S[i j] hinzugefügt. Dadurch ergibt sich β(i, j) = β(i + 1, j). Dies entspricht einem vertikalen Schritt von unten nach oben in der Wertetabelle. Am Wert von β ändert sich dabei nichts. 2. Es wird eine ungepaarte Base j zur bereits berechneten optimalen Teilstruktur S[i... j 1] hinzugefügt. Dadurch ergibt sich β(i, j) = β(i, j 1). Dies entspricht einem horizontalen Schritt von links nach rechts in der Wertetabelle. Wie in Fall 1 ändert sich auch hier nichts am Wert von β. 3. Es wird ein Basenpaar (i, j) zur bereits berechneten optimalen Teilstruktur S[i j 1] hinzugefügt. Dadurch ergibt sich β(i, j) = β(i + 1, j 1) + δ(i, j). Dies entspricht einem inklinierten Schritt von links-unten nach rechts-oben in der Wertetabelle. δ wird in diesem Fall als Score bezeichnet. Falls das Basenpaar (i, j) einem Watson-Crick-Paar entspricht und konstante Werte betrachtet werden, so erhält δ den Wert +1. Falls nicht, erhält δ den Wert 0, und der Wert von β ändert sich nicht. Des Weiteren besteht an dieser Stelle die Möglichkeit, den Algorithmus zu verfeinern, indem man die jeweilige freie Energie der Bindungspaare betrachtet und für den Score verwendet (siehe Abschnitt 2.3.2). 4. Es werden zwei optimale Teilstrukturen S 1 [i... k] und S 2 [k+1... j] zu einer grösseren optimalen Teilstruktur S[i... j] zusammengefasst. Dadurch ergibt sich β(i, j) = max k,i<k<j {β(i, k) + β(k + 1, j)}. Dieser Schritt muss für alle k Teilstrukturen (i < k < j) durchgeführt werden, damit man sicher gehen kann, dass jede mögliche Bifurkation berücksichtigt worden ist Zusammenfassung Der zuvor beschriebene Algorithmus wurde 1978 von Nussinov entdeckt. Zuerst ndet eine Initialisierung statt. Man setzt β(i, i) = 0 für alle i = 1... n und β(i, i 1) = 0 für alle i = 2... n. Das bedeutet, dass jede Substruktur S[i, i] der Länge 1 und jede Substruktur S[i, i 1] der Länge 0 maximal 0 Basenpaare enthält. Danach wird die Wertetabelle (Matrix) entsprechend dem Algorithmus diagonal ausgefüllt. Der Wert an der Stelle (1, n) liefert das Ergebnis. Anschlieÿend wird durch ein Traceback die optimale Sekundärstruktur ermittelt. Da die Tabelle symmetrisch ist, wird entweder nur der obere Teil oder der untere Teil ausgefüllt. Der Algorithmus berechnet Werte in der oberen Hälfte der Tabelle (n n - Matrix), wofür er O(n 2 ) Schritte benötigt. Die Berechung der Werte der Fälle 1 bis 3 erfordert jeweils nur konstanten Aufwand, wohingegen bei Fall 4 bis zu n verschiedene Möglichkeiten für den Parameter k betrachtet werden müssen. Das ergibt einen zeitlichen Aufwand von O(n) und daher beläuft sich die maximale Laufzeit des Algorithmus auf O(n 3 ). Nussinov's Algorithmus berücksichtigt nicht den Einuss von Substrukturen auf die Sekundärstruktur und da in der Natur nicht unbedingt RNA-Strukturen 4
5 mit maximaler Basenpaarung vorkommen[3], wird der native Algorithmus in der Praxis zur Strukturvorhersage nicht eingesetzt. Man verwendet stattdessen ein Modell, das auch thermodynamische Bedingungen der Faltungen mit einbezieht. Dieses Modell wird im folgenden Abschnitt erläutert Minimierung der freien Energie Ziel des Modells ist es, eine Struktur R über eine gegebene RNA-Sequenz S zu berechnen, die die freie Energie innerhalb der Struktur R minimiert. Der Ausdruck freie Energie bezieht sich hier auf das Potential des Moleküls, durch Bindungen weitere Energie freizusetzen[4]. Wie in Schritt 3 in Abschnitt schon angedeutet, kann der Algorithmus von Nussinov verfeinert werden, indem man anstelle eines konstanten Scores die jeweilige freie Energie des Bindungspaares verwendet. Die freie Energie ist in diesem Fall negativ, was zu einer Minimierung der globalen freien Energie innerhalb der betrachteten Struktur führt. Die in den Abschnitten und beschriebenen Lösungsansätze der dynamischen Programmierung behalten auch bei diesem Modell ihre Gültigkeit Substrukturen und Energiefunktionen Da sich unterschiedliche Substrukturen (siehe Abbildung 1) unterschiedlich auf die globale Verteilung der freien Energie innerhalb der Sekundärstruktur auswirken, ist es für den folgenden Algorithmus von Bedeutung, die Substrukturen formal (siehe Denition 5) zu denieren. Als vielversprechende Möglichkeit bietet sich dafür die Betrachtung von loops und deren abschlieÿende Basenpaare (engl. closing base pairs, siehe Denition 4) an. Allgemein lässt sich sagen, dass sich stems oder stacked pairs stabilisierend auf die Struktur des Moleküls auswirken, loops hingegen destabilisierend. Um jeder Substruktur einen entsprechenden Energiebetrag zuordnen zu können, werden folgende Energiefunktionen eingeführt: es(i, j, i + 1, j 1) stellt die negative Energie eines stems (stacked pair) dar. eh(i, j) stellt die positive Energie eines hairpin-loops dar. el(i, j, i, j ) stellt die positive Energie eines interior- oder bulge-loops dar. em(i, i 1, j 1,..., i k, j k, j) stellt die positive Energie eines k-multiloops dar. Alle Energiefunktionen hängen somit vom abschliessenden Basenpaar (i, j) R und dem/den inneren Basenpaar/en (i k, j k ) R ab Der Algorithmus von Zuker Die Idee des nun folgenden Algorithmus besteht darin, die freien Energien der einzelnen Substrukturen E R i,j für alle (i, j) R zu betrachten und aus der Summe dieser Energien die gesamte freie Energie der RNA-Struktur E ges (R) zu berechnen. Es werden für die Basisrekursion drei weitere Funktionen benötigt, die an aktueller Position die aktuelle freie Energie der Substrukur bestimmen. Um aufeinander folgende Strukturen zu berücksichtigen, wird die Funktion ɛ(i) eingeführt, die die minimale freie Energie der Substruktur S[1... i] berechnet. Entweder wird eine ungepaarte Base i zur bestmöglichen kleineren Substruktur S[1... i 1] durch ɛ(i) = ɛ(i 1) hinzugefügt, oder die freie Energie der Bifurkation der bestmöglichen kleineren Substrukturen S[1... k 1] und S[k... i] durch 5
6 ɛ(i) = min 1 k i {ɛ(k 1) + π(k, i)} addiert. Die Funktion π(i, j) berechnet rekursiv die minimale freie Energie der Substruktur S[i... j]. Entsprechend der unterschiedlichen Substrukturen und Energiefunktionen wird pro Berechnungsschritt das Minimum aus vier unterschiedlichen Fällen ausgewählt, wobei (i, j) R immer das aktuelle, die Substruktur S[i... j] abschlieÿende Basenpaar darstellt: 1. (i, j) schliesst einen stem ab. Es wird die stabilisierende Energie es(i, j, i + 1, j 1) und die minimale freie Energie der kleineren Substruktur S[i+1... j+1] hinzugefügt. Dadurch ergibt sich π(i, j) = es(i, j, i + 1, j 1) + π(i + 1, j 1). 2. (i, j) schliesst einen hairpin-loop ab. Es wird die destabilisierende Energie eh(i, j) hinzugefügt. Dadurch ergibt sich π(i, j) = eh(i, j). 3. (i, j) schliesst ein bulge- oder interior-loop ab. Es wird die destabilisierende Energie el(i, j, i, j ) und die minimale freie Energie der kleineren Substruktur S[i... j ] hinzugefügt. Dadurch ergibt sich π(i, j) = min {el(i, j, i<i <j <j i, j ) + π(i, j )}. 4. (i, j) schliesst ein multiloop ab. Das multiloop wird in zwei kleinere Subsequenzen S[i k 1] und S[k... j 1] unterteilt und ein gap-penalty a hinzugefügt. Dadurch ergibt sich π(i, j) = min {µ(i + 1, k 1) + µ(k, j 1) + a}. i+1<k j 1 Um eine multiloop-substruktur mit minimaler freier Energie zu nden, wird im vierten Fall die Funktion µ verwendet. Diese Funktion spaltet S[i... j] daher rekursiv bis zum inneren Basenpaar auf, indem entweder ein Basenshift µ(i, j) = µ(i + 1, j) + c (analog am anderen Ende der Substruktur µ(i, j) = µ(i, j 1)+c) durchgeführt oder eine Bifurcation min i<k j {µ(i, k 1) + µ(k, j)} hinzugefügt wird. Sollte ein inneres Basenpaar gefunden werden, das eine multiloop-struktur mit minimaler freier Energie abschlieÿt, so ergibt sich µ(i, j) = π(i, j) + b. Gap-penalty c wird für die Addition einer ungepaarten Base hinzugefügt, b entspricht der freien Energie des abschlieÿenden Basenpaares. Auch hier wird pro rekursivem Aufruf jeweils das Minimum ausgewählt Zusammenfassung Der zuvor beschriebene Algorithmus wurde 1981 von Zuker veröentlicht. Wie bei Nussinov ndet zuerst eine Initialisierung π(i, i 1) = π(i, i) =, µ(i, i) = und ɛ(0) = 0 statt. Anschlieÿend werden, entsprechend der dargestellten Funktionen, ein Array und zwei Matrizen ausgefüllt. Nachdem alle Einträge berechnet wurden, enthält ɛ die minimale freie Energie der RNA-Struktur S[1... n]. Das Ausfüllen der Matrizen verläuft wie bei Nussinov diagonal und abschlieÿend wird die optimale Sekundärstruktur durch ein Traceback ermittelt. Um eine exponentielle Laufzeit zu vermeiden, wird ebenfalls ein top-down-ansatz für die Implementierung gewählt. Daher können die Matrizen der Funktionen π und µ sowie das Array ɛ in O(n 2 ) berechnet werden. Da allerdings pro Eintrag (Matrizen und Array) über O(n) Möglichkeiten optimiert werden muss, beläuft sich die Laufzeit des Algorithmus von Zuker zur RNA-Sekundärstrukturvorhersage auf O(n 3 ). 6
7 3 Zusammenfassung und Ausblick In dieser Ausarbeitung wurden zwei Methoden und Algorithmen zur RNA Sekundärstrukturvorhersage vorgestellt und erläutert. Nussinov's Methode beschäftigt sich mit der Maximierung der Basenpaare, um eine optimale Sekundärstruktur zu ermitteln. Im Gegensatz dazu versucht Zuker, mit Hilfe eines thermodynamischen Ansatzes, die freie Energie innerhalb eines RNA-Moleküls zu minimieren und dadurch eine optimale Sekundärstruktur zu bestimmen. Durch Verwendung des thermodynamischen Ansatzes ist die Methode von Zucker deutlich exakter und realitätsnaher als die Methode von Nussinov. Die webbasierte Anwendung mfold implementiert eine Variante des Algorithmus von Zuker mit vielen Einstellungsmöglichkeiten und ist kostenlos im Internet verfügbar[5]. Alles in allem ist die Strukturvorhersage von Biomolekülen (RNA und Proteine) eine junge Wissenschaft, und wird auch weiterhin Generationen von Wissenschaftlern zum Nachdenken anregen. 7
8 Literatur [1] Wikipedia, Ribonukleinsäure, Wikipedia - die freie Enzyklopädie, akutalisiert am , zugegrien am [2] V. Sperschneider: Bioinformatics Problem Solving Paradigms, Springer-Verlag, 2008, Abschnitt 1.7 [3] Wikipedia, Nussinov-Algorithmus, Wikipedia - die freie Enzyklopädie, akutalisiert am , zugegrien am [4] H.-J. Böckenhauer, D. Bongartz: Algorithmische Grundlagen der Bioinformarmatik Modelle, Methoden und Komplexität, Teubner-Verlag, 2003, Abschnitt 12.1 [5] Zuker and Turner, RNA folding form, The Rensselaer bioinformatics web server, aktualisiert am , zugegrien am
Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
MehrDas zentrale Dogma der Molekularbiologie:
Das zentrale Dogma der Molekularbiologie: DNA Transkription RNA Translation Protein 1 Begriffserklärungen GENOM: Ist die allgemeine Bezeichnung für die Gesamtheit aller Gene eines Organismus GEN: Ist ein
MehrExpression der genetischen Information Skript: Kapitel 5
Prof. A. Sartori Medizin 1. Studienjahr Bachelor Molekulare Zellbiologie FS 2013 12. März 2013 Expression der genetischen Information Skript: Kapitel 5 5.1 Struktur der RNA 5.2 RNA-Synthese (Transkription)
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
MehrAufbau, Struktur, Funktion von DNA, RNA und Proteinen
Aufbau, Struktur, Funktion von DNA, RNA und Proteinen Mitarbeiterseminar der Medizinischen Fakultät Ruhr-Universität Bochum Andreas Friebe Abteilung für Pharmakologie und Toxikologie Aufbau, Struktur,
MehrMasterarbeit Lehrstuhl für Bioinformatik Technische Fakultät Albert-Ludwigs-Universität Freiburg
B E R E C H N U N G D E R R N A - PA RT I T I O N S F U N K T I O N M I T A L G E B R A I S C H E R D Y N A M I S C H E R P R O G R A M M I E R U N G kerstin schmatzer Masterarbeit Lehrstuhl für Bioinformatik
MehrEinführung Nukleinsäuren
Einführung Nukleinsäuren Dr. Kristian M. Müller Institut für Biologie III Albert-Ludwigs-Universität Freiburg Einführung 1. Semester, WiSe 2007/2008 Historischer Überblick Literatur Bilder aus: Taschenatlas
MehrAntwort: 2.Uracil. Antwort: 2. durch Wasserstoffverbindungen. Adenin, Cystein und Guanin kommen alle in der RNA und DNA vor.
Antwort: 2.Uracil Adenin, Cystein und Guanin kommen alle in der RNA und DNA vor. Thymin kommt nur in der DNA vor; Uracil nimmt seinen Platz in den RNA- Molekülen ein. Antwort: 2. durch Wasserstoffverbindungen
MehrAlignment-Verfahren zum Vergleich biologischer Sequenzen
zum Vergleich biologischer Sequenzen Hans-Joachim Böckenhauer Dennis Komm Volkshochschule Zürich. April Ein biologisches Problem Fragestellung Finde eine Methode zum Vergleich von DNA-Molekülen oder Proteinen
MehrDATENQUALITÄT IN GENOMDATENBANKEN
DATENQUALITÄT IN GENOMDATENBANKEN Alexander Fehr 28. Januar 2004 Gliederung Motivation Biologische Grundkonzepte Genomdaten Datenproduktion und Fehler Data Cleansing 2 Motivation (1) Genomdatenbanken enthalten
MehrIV. Übungsaufgaben für die Jahrgangstufe 9 & 10
IV. Übungsaufgaben für die Jahrgangstufe 9 & 10 Von der Erbanlage zum Erbmerkmal: 34) Welche Aufgaben haben Chromosomen? 35) Zeichne und benenne die Teile eines Chromosoms, wie sie im Lichtmikroskop während
MehrRNA Sekundärstruktur
R Sekundärstruktur Dipl. Math. Isabelle Schneider niversität öttingen Institut für Mikrobiologie und enetik bteilung für Bioinformatik 12.12.2005 (niversität öttingen) 1 / 40 Themen der Vorlesung 1 R Motivation
Mehr1. Beschriften Sie in der Abbildung die verschiedenen Bereiche auf der DNA und beschreiben Sie ihre Funktion! nicht-codogener Strang.
ARBEITSBLATT 1 Transkription 1. Beschriften Sie in der Abbildung die verschiedenen Bereiche auf der DNA und beschreiben Sie ihre Funktion! Bindungsstelle für RNA-Polymerase RNA-Polymerase nicht-codogener
MehrDNS-Modell Best.-Nr. 2015801
DNS-Modell Best.-Nr. 2015801 1. Produktvorstellung Ziel des Produktes Dieses Modell soll das DNS-Molekül visualisieren: es soll die Doppelspirale, Stickstoffbasen mit Wasserstoffbrückenbindung, Zucker-Phosphatskelette
MehrHOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG. Das Luzifer-Rätsel. Prof. Dr. Hartmut Plesske Wintersemester 2008/09. von.
HOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG Fakultät Informatik Das Luzifer-Rätsel Prof. Dr. Hartmut Plesske Wintersemester 2008/09 von Max Nagl nagl@fh-konstanz.de Inhaltsverzeichnis Inhaltsverzeichnis
MehrStatistische Verfahren:
Statistische Verfahren: Hidden-Markov-Modelle für Multiples Alignment Stochastic Context-Free Grammars (SCFGs) für RNA-Multiples Alignment Übersicht 1 1. Hidden-Markov-Models (HMM) für Multiples Alignment
Mehr1 Struktur von Biomolekülen
1 Struktur von Biomolekülen Modul 10-202-2208 Bioinformatik von RNA- und Proteinstrukturen Jana Hertel Lehrstuhl Bioinformatik 8. April 2013 Jana Hertel (Lehrstuhl Bioinformatik) 1 Struktur von Biomolekülen
MehrBiochemie Tutorium 9. RNA, Transkription
Biochemie Tutorium 9 RNA, Transkription IMPP-Gegenstandskatalog 3 Genetik 3.1 Nukleinsäuren 3.1.1 Molekulare Struktur, Konformationen und Funktionen der Desoxyribonukleinsäure (DNA); Exon, Intron 3.1.2
MehrAus der Reihe Daniels Genetik-Kompendium
Aus der Reihe Daniels Genetik-Kompendium Erstellt von Daniel Röthgens Inhalt : 1. Einleitung 2. Bestandteile der Nukleinsäuren 3. DNA / Struktur und genetische Spezifität 1 1. Einleitung Die Frage nach
MehrKinetiken von RNA-RNA Hybridisierungen
Diplomarbeit Kinetiken von RNA-RNA Hybridisierungen Daniel Maticzka 20. April 2009 Lehrstuhl für Bioinformatik Institut für Informatik Albert-Ludwigs-Universität Freiburg Gutachter: Betreuer: Prof. Dr.
MehrProgrammierung 2. Dynamische Programmierung. Sebastian Hack. Klaas Boesche. Sommersemester 2012. hack@cs.uni-saarland.de. boesche@cs.uni-saarland.
1 Programmierung 2 Dynamische Programmierung Sebastian Hack hack@cs.uni-saarland.de Klaas Boesche boesche@cs.uni-saarland.de Sommersemester 2012 2 Übersicht Stammt aus den Zeiten als mit Programmierung
MehrÜberblick von DNA zu Protein. Biochemie-Seminar WS 04/05
Überblick von DNA zu Protein Biochemie-Seminar WS 04/05 Replikationsapparat der Zelle Der gesamte Replikationsapparat umfasst über 20 Proteine z.b. DNA Polymerase: katalysiert Zusammenfügen einzelner Bausteine
MehrDie DNA Replikation. Exakte Verdopplung des genetischen Materials. Musterstrang. Neuer Strang. Neuer Strang. Eltern-DNA-Doppelstrang.
Die DNA Replikation Musterstrang Neuer Strang Eltern-DNA-Doppelstrang Neuer Strang Musterstrang Exakte Verdopplung des genetischen Materials Die Reaktion der DNA Polymerase 5`-Triphosphat Nächstes Desoxyribonucleosidtriphosphat
MehrAnabole Prozesse in der Zelle
Anabole Prozesse in der Zelle DNA Vermehrung RNA Synthese Protein Synthese Protein Verteilung in der Zelle Ziel: Zellteilung (Wachstum) und Differenzierung (Aufgabenteilung im Organismus). 2016 Struktur
MehrEine neue RNA-Welt. Uralte RNA-Welt Am Anfang der Entstehung des Lebens. Bekannte RNA-Welt Protein-Synthese. Neue RNA-Welt Regulatorische RNA-Moleküle
RNAs Eine neue RNA-Welt 1. Uralte RNA-Welt Am Anfang der Entstehung des Lebens Bekannte RNA-Welt Protein-Synthese Neue RNA-Welt Regulatorische RNA-Moleküle 2. Eine neue RNA-Welt die Anzahl der nicht-kodierenden
MehrKürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik
Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus
MehrSuche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20
Suche in Spielbäumen Suche in Spielbäumen KI SS2011: Suche in Spielbäumen 1/20 Spiele in der KI Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche Einschränkung von Spielen auf: 2 Spieler:
MehrSeminar Biochemie. Nukleotide - Nukleinsäuren - Nukleotidstoffwechsel - DNA-Replikation. Dr. Christian Hübbers
Seminar Biochemie Nukleotide - Nukleinsäuren - Nukleotidstoffwechsel - DNA-Replikation Dr. Christian Hübbers Lernziele Zusammensetzung der Nukleotide (Basen, Zucker) Purin-und Pyrimidinbiosynthese (prinzipieller
MehrEine RNA-Menagerie: mirnas und andere kodierende und nichtkodierende RNAs
Eine RN-Menagerie: mirns und andere kodierende und nichtkodierende RNs Peter N. Robinson Institut für medizinische Genetik harité Universitätsmedizin Berlin 23. Juni 2008 Peter N. Robinson (harité) RN
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrBinäre lineare Optimierung mit K*BMDs p.1/42
Binäre lineare Optimierung mit K*BMDs Ralf Wimmer wimmer@informatik.uni-freiburg.de Institut für Informatik Albert-Ludwigs-Universität Freiburg Binäre lineare Optimierung mit K*BMDs p.1/42 Grundlagen Binäre
Mehr5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)
5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!
MehrAufbau und Funktion des Genoms: Von der Genstruktur zur Funktion
Assoc. Prof. PD Mag. Dr. Aufbau und Funktion des Genoms: Von der Genstruktur zur Funktion Wien, 2013 Währinger Straße 10, A-1090 Wien helmut.dolznig@meduniwien.ac.at www.meduniwien.ac.at/medizinische-genetik
MehrMOL.504 Analyse von DNA- und Proteinsequenzen
MOL.504 Analyse von DNA- und Proteinsequenzen Kurs 1 Monika Oberer, Karl Gruber MOL.504 Modul-Übersicht Einführung, Datenbanken BLAST-Suche, Sequenzalignment Proteinstrukturen Virtuelles Klonieren Abschlusstest
MehrDNA Replikation ist semikonservativ. Abb. aus Stryer (5th Ed.)
DNA Replikation ist semikonservativ Entwindung der DNA-Doppelhelix durch eine Helikase Replikationsgabel Eltern-DNA Beide DNA-Stränge werden in 5 3 Richtung synthetisiert DNA-Polymerasen katalysieren die
MehrIV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1
IV. Spieltheorie 1. Gegenstand der Spieltheorie 2. Einführung in Matrixspiele 3. Strategien bei Matrixspielen 4. Weitere Beispiele 5. Mögliche Erweiterungen H. Weber, FHW, OR SS07, Teil 7, Seite 1 1. Gegenstand
MehrDatenspeicherung und Datenfluß in der Zelle - Grundlagen der Biochemie
Datenspeicherung und Datenfluß in der Zelle - Grundlagen der Biochemie Datenspeicherung und Datenfluß der Zelle Transkription DNA RNA Translation Protein Aufbau I. Grundlagen der organischen Chemie und
MehrDr. Jens Kurreck. Otto-Hahn-Bau, Thielallee 63, Raum 029 Tel.: 83 85 69 69 Email: jkurreck@chemie.fu-berlin.de
Dr. Jens Kurreck Otto-Hahn-Bau, Thielallee 63, Raum 029 Tel.: 83 85 69 69 Email: jkurreck@chemie.fu-berlin.de Prinzipien genetischer Informationsübertragung Berg, Tymoczko, Stryer: Biochemie 5. Auflage,
MehrChemie für Biologen. Vorlesung im. WS 2004/05 V2, Mi 10-12, S04 T01 A02. Paul Rademacher Institut für Organische Chemie der Universität Duisburg-Essen
Chemie für Biologen Vorlesung im WS 004/05 V, Mi 0-, S04 T0 A0 Paul Rademacher Institut für rganische Chemie der Universität Duisburg-Essen (Teil 3: 9.0.005) MILESS: Chemie für Biologen 36 D-Aldosen C
MehrLuke Alphey. DNA-Sequenzierung. Aus dem Englischen übersetzt von Kurt Beginnen. Spektrum Akademischer Verlag
Luke Alphey DNA-Sequenzierung Aus dem Englischen übersetzt von Kurt Beginnen Spektrum Akademischer Verlag Inhalt Abkürzungen 11 Vorwort 15 Danksagung 16 Teil 1: Grundprinzipien und Methoden 1. 1.1 1.2
MehrKlausur zur Vorlesung Biochemie III im WS 2000/01
Klausur zur Vorlesung Biochemie III im WS 2000/01 am 15.02.2001 von 15.30 17.00 Uhr (insgesamt 100 Punkte, mindestens 40 erforderlich) Bitte Name, Matrikelnummer und Studienfach unbedingt angeben (3 1.
MehrAPP-GFP/Fluoreszenzmikroskop. Aufnahmen neuronaler Zellen, mit freund. Genehmigung von Prof. Stefan Kins, TU Kaiserslautern
Über die Herkunft von Aβ42 und Amyloid-Plaques Heute ist sicher belegt, dass sich die amyloiden Plaques aus einer Vielzahl an Abbaufragmenten des Amyloid-Vorläufer-Proteins (amyloid-precursor-protein,
MehrPageRank-Algorithmus
Proseminar Algorithms and Data Structures Gliederung Gliederung 1 Einführung 2 PageRank 3 Eziente Berechnung 4 Zusammenfassung Motivation Motivation Wir wollen eine Suchmaschine bauen, die das Web durchsucht.
MehrKompakte Graphmodelle handgezeichneter Bilder
Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Authentizierung und Bilderkennung Inhaltsverzeichnis Seminar Mustererkennung WS 006/07 Autor: Stefan Lohs 1 Einleitung 1 Das graphische Modell.1
MehrAlgorithms for Regression and Classification
Fakultät für Informatik Effiziente Algorithmen und Komplexitätstheorie Algorithms for Regression and Classification Robust Regression and Genetic Association Studies Robin Nunkesser Fakultät für Informatik
MehrRNA. Funktion der RNA. Funktion der RNA. RNA als Teil des Ribosoms. Vorhersage der Sekundärstruktur von Ribonukleinsäure ure (RNA)
Vorhersage der Sekundärstruktur von Ribonukleinsäure ure (RA) Möglichkeiten und Limitierungen RA Funktion / Struktur Faltung zur Sekundärstruktur Berechnung der Sekundärstruktur 1. Basen-Maximierung (ussinov)
MehrAlgorithmik - Kompaktkurs
Algorithmik - Kompaktkurs Sommersemester 2012 Steffen Lange 0/1, Folie 1 2012 Prof. Steffen Lange - HDa/FbI - Algorithmik Organisatorisches Vorlesung Folien im Netz (/* bitte zur Vorlesung mitbringen */)
MehrAquaZIS. Zeitreihenkorrektur
AquaZIS Zeitreihenkorrektur Aachen, Juli 2013 aqua_plan Ingenieurgesellschaft für Problemlösungen in Hydrologie und Umweltschutz mbh Amyastr. 126, 52066 Aachen Tel.: 0241 40070-0, Fax: 0241 40070-99 Geschäftsführer:
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrIf you can't study function, study structure. Vom Molekül in der Ursuppe bis zur ersten Zelle war es ein langer Weg:
Kapitel 4: ANATOMIE EINER EUKARYOTENZELLE Inhalt: EINLEITUNG... 53 BESTANDTEILE EINER EUKARYOTENZELLE... 55 MEMBRANVERBINDUNGEN... 57 GEWEBE UND ORGANE... 57 LITERATUR...57 LINKS... 57 Einleitung If you
Mehr2 Lösungen "Peptide de novo Sequencing"
Lösungen "Peptide de novo Sequencing". Algorithm : PeptideSequencingOnlySux Input: a spectrum M with array of masses M = {m, m,, m n }, Σ, µ : Σ R >0 Output: the peptide string of the spectrum begin peptide
MehrNumerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 16 4. Groß-O R. Steuding (HS-RM)
MehrDoing Economics with the Computer Sommersemester 2002. Excel Solver 1
Universität Bern Kurt Schmidheiny / Manuel Wälti Doing Economics with the Computer Sommersemester 2002 Excel Solver 1 Mit dem Solver unterstützt Excel eine Funktion, mit der u.a. komplex verschachtelte
MehrGrundlagen der Molekulargenetik
Mathematik und Naturwissenschaften Psychologie Differentielle- & Persönlichkeitspsychologie Grundlagen der Molekulargenetik Dresden, 11.11.2010 Charlotte Bauer Gliederung 1. Speicherung genetischer Information
MehrRegulation der Genexpression: regulierbare Promotoren, Proteine und sirna
Regulation der Genexpression: regulierbare Promotoren, Proteine und sirna Biochemie Praktikum Christian Brendel, AG Grez Ebenen der Genregulation in Eukaryoten Cytoplasma DNA Zellkern Introns Exons Chromatin
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrVon der DNA zum Eiweißmolekül Die Proteinbiosynthese. Ribosom
Von der DNA zum Eiweißmolekül Die Proteinbiosynthese Ribosom Wiederholung: DNA-Replikation und Chromosomenkondensation / Mitose Jede Zelle macht von Teilung zu Teilung einen Zellzyklus durch, der aus einer
MehrBioinformatik I (Einführung)
Kay Diederichs, Sommersemester 2015 Bioinformatik I (Einführung) Algorithmen Sequenzen Strukturen PDFs unter http://strucbio.biologie.unikonstanz.de/~dikay/bioinformatik/ Klausur: Fr 17.7. 10:00-11:00
Mehr4. Genetische Mechanismen bei Bakterien
4. Genetische Mechanismen bei Bakterien 4.1 Makromoleküle und genetische Information Aufbau der DNA Phasen des Informationsflusses Vergleich der Informationsübertragung bei Pro- und Eukaryoten 4.2 Struktur
MehrRekonstruktion biologischer Netzwerke (mit probabilistischen Methoden) Einführung 11.10.2010
Rekonstruktion biologischer Netzwerke (mit probabilistischen Methoden) Einführung 11.10.2010 Prof. Dr. Sven Rahmann 1 Team Prof. Dr. Sven Rahmann Zeit Mo 10-12; Do 8:30-10 Ort OH14, R104 Alle Informationen
Mehr22. Algorithmus der Woche Partnerschaftsvermittlung Drum prüfe, wer sich ewig bindet
22. Algorithmus der Woche Partnerschaftsvermittlung Drum prüfe, wer sich ewig bindet Autor Volker Claus, Universität Stuttgart Volker Diekert, Universität Stuttgart Holger Petersen, Universität Stuttgart
MehrPCR basierte- Detektionstechniken
PCR basierte- Detektionstechniken Warum überhaupt? Forensische Analysen: Vaterschaftstests, Kriminalistik Mikrobielle Gemeinschaften: Biofilme, medizinische Mikrobiologie 2 Warum überhaupt? minimale Mengen
MehrIntegration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern
Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Björn Burow SE Mustererkennung in Bildern und 3D-Daten Lehrstuhl Graphische Systeme BTU Cottbus Inhaltsübersicht
MehrGrundlagen der Programmierung
Grundlagen der Programmierung Algorithmen und Datenstrukturen Die Inhalte der Vorlesung wurden primär auf Basis der angegebenen Literatur erstellt. Darüber hinaus sind viele Teile direkt aus der Vorlesung
MehrProgrammiertechnik II
Analyse von Algorithmen Algorithmenentwurf Algorithmen sind oft Teil einer größeren Anwendung operieren auf Daten der Anwendung, sollen aber unabhängig von konkreten Typen sein Darstellung der Algorithmen
MehrInformatik-Sommercamp 2012. Mastermind mit dem Android SDK
Mastermind mit dem Android SDK Übersicht Einführungen Mastermind und Strategien (Stefan) Eclipse und das ADT Plugin (Jan) GUI-Programmierung (Dominik) Mastermind und Strategien - Übersicht Mastermind Spielregeln
MehrMedizinische Fakultät Auswertestrategien von Microarrays Einführung
Medizinische Fakultät Auswertestrategien von Microarrays Einführung PD Dr. Knut Krohn IZKF Leipzig Dr. Markus Eszlinger Med. Klinik III Forschungslabor DNA RNA Hintergrund Charakteristisches Muster der
MehrNP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)
NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP
MehrEndTermTest PROGALGO WS1516 A
EndTermTest PROGALGO WS1516 A 14.1.2016 Name:................. UID:.................. PC-Nr:................ Beachten Sie: Lesen Sie erst die Angaben aufmerksam, genau und vollständig. Die Verwendung von
MehrEinführung in die Java- Programmierung
Einführung in die Java- Programmierung Dr. Volker Riediger Tassilo Horn riediger horn@uni-koblenz.de WiSe 2012/13 1 Wichtig... Mittags Pommes... Praktikum A 230 C 207 (Madeleine) F 112 F 113 (Kevin) E
MehrKompetenzManager http://www.kompetenzmanager.ch/mah Manual für die Benutzung der Website
KompetenzManager http://www.kompetenzmanager.ch/mah Manual für die Benutzung der Website Inhalt Inhalt... 1 1. Anmelden beim Kompetenzmanager... 3 2. Erstellen eines neuen Kompetenzprofils... 4 2.1. Wizard
Mehr3.4 Histogramm, WENN-Funktion
3.4 Histogramm, WENN-Funktion 3.4.1 Aufgabe Ausgehend von den Lösungen der zum Aufgabenkomplex 3.3, Absenkung (s. S. 106), aufgestellten Tabellen sollen weitere Elemente der MS-Excel-Programmierung genutzt
MehrVerfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS
Verfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS Dezember 007 Dipl.-Ing. Stefan Abu Salah Dipl.-Ing. Achim Marikar QoS (Quality of Service): Sicherstellung der Qualität Zeitkritische
MehrMinimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
MehrApproximationsalgorithmen
Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.
MehrKapitel 6. Komplexität von Algorithmen. Xiaoyi Jiang Informatik I Grundlagen der Programmierung
Kapitel 6 Komplexität von Algorithmen 1 6.1 Beurteilung von Algorithmen I.d.R. existieren viele Algorithmen, um dieselbe Funktion zu realisieren. Welche Algorithmen sind die besseren? Betrachtung nicht-funktionaler
MehrBetragsgleichungen und die Methode der Fallunterscheidungen
mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at
MehrEine Logikschaltung zur Addition zweier Zahlen
Eine Logikschaltung zur Addition zweier Zahlen Grundlegender Ansatz für die Umsetzung arithmetischer Operationen als elektronische Schaltung ist die Darstellung von Zahlen im Binärsystem. Eine Logikschaltung
Mehr2.) Wie lautet in der Genomforschung das Fachwort für Vielgestaltigkeit? a) Polytheismus b) Polymerisation c) Polymorphismus d) Polygamismus
Lernkontrolle M o d u l 2 A w i e... A n k r e u z e n! 1.) Welche gentechnischen Verfahren bildeten die Grundlage für das Humangenomprojekt (Mehrfachnennungen möglich)? a) Polymerase-Kettenreaktion b)
MehrKompakte Graphmodelle handgezeichneter Bilder. Einbeziehung in Autentizierung und Bilderkennung
Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Autentizierung und Bilderkennung Inhaltsverzeichnis 1 Einleitung Das graphische Model.1 Image Thinning................................. 3.
MehrLaufzeit und Komplexität
Laufzeit und Komplexität Laufzeit eines Algorithmus Benchmarking versus Analyse Abstraktion Rechenzeit, Anzahl Schritte Bester, Mittlerer, Schlechtester Fall Beispiel: Lineare Suche Komplexitätsklassen
MehrVorhersage von mirna targets in Säugetieren mirna target prediction am Beispiel von TargetScan
VorhersagevonmiRNAtargetsinSäugetieren mirnatargetprediction ambeispielvontargetscan Christoph Theunert 8. Fachsemester Bioinformatik christoph.theunert@web.de Gliederung I mirna Eigenschaften II mirna
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
Mehr1. Nachschreibeklausur zur Vorlesung "Genetik" im WS 09/10 A. Matrikel-Nr.: Versuch: 1 2 3
1. Nachschreibeklausur zur Vorlesung "Genetik" im WS 09/10 A Modul: Studiengang: Matrikel-Nr.: Versuch: 1 2 3 Vollständiger Name in Druckbuchstaben (Vorname Nachname): Jena, 01.04.2010, 10 12 Uhr; Unterschrift:
MehrTräger der Erbinformation sind die Nukleinsäuren. Es handelt sich hierbei um hochmolekulare lineare Kettenmoleküle, die aus durch
Achtung Die folgenden Texte sind als Stichworte für die Klausurvorbereitung zu sehen. Keinesfalls sind die Fragen in der Klausur auf den Inhalt dieser Folien beschränkt, sondern werden aus dem Stoff der
MehrDie Suche nach Genen in Bakteriengenomen. BWInf-Workshop 22.-23. März 2011. Prof. Dr. Sven Rahmann AG Bioinformatik Informatik XI, TU Dortmund
Die Suche nach Genen in Bakteriengenomen BWInf-Workshop 22.-23. März 2011 Prof. Dr. Sven Rahmann AG Bioinformatik Informatik XI, TU Dortmund 1 Bioinformatik was ist das? Aufgabe: Analyse (molekular)biologischer
MehrMusterlösung - Übung 5 Vorlesung Bio-Engineering Sommersemester 2008
Aufgabe 1: Prinzipieller Ablauf der Proteinbiosynthese a) Erklären Sie folgende Begriffe möglichst in Ihren eigenen Worten (1 kurzer Satz): Gen Nukleotid RNA-Polymerase Promotor Codon Anti-Codon Stop-Codon
MehrTierartbestimmung mittels spezifischer Polymerasekettenreaktion
Einleitung Der Tierart-Kit SK1-12 enthält die notwendigen Materialien, um verarbeitete Tierarten in gängigen Fleisch- und Milchprodukten, z.b. Wurst oder Käse zu bestimmen. Ein Lehrerheft und fünf Schülerhefte,
Mehr05_10_Genes_info.jpg
Übertragung der Information von DNA auf RNA - Transkription von RNA auf Protein - Translation Übertragung der Information vom Gen auf Protein 05_10_Genes_info.jpg 1 Figure 6-2 Molecular Biology of the
MehrKlausur zum Modul Molekularbiologie ILS, SS 2010 Freitag 6. August 10:00 Uhr
Klausur zum Modul Molekularbiologie ILS, SS 2010 Freitag 6. August 10:00 Uhr Name: Matrikel-Nr.: Code Nummer: Bitte geben Sie Ihre Matrikel-Nr. und Ihren Namen an. Die Code-Nummer erhalten Sie zu Beginn
MehrWichtige Themen aus der Vorlesung Bioinformatik II SS 2014
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Hans-Peter Lenhof M. Sc. Daniel Stöckel M. Sc. Patrick Trampert M. Sc. Lara Schneider Wichtige Themen aus der Vorlesung Bioinformatik II SS 2014 Hinweis:
MehrMedizinische Statistik Epidemiologie und χ 2 Vierfeldertest
Universität Wien Institut für Mathematik Wintersemester 2009/2010 Medizinische Statistik Epidemiologie und χ 2 Vierfeldertest Seminar Angewandte Mathematik Ao. Univ. Prof. Dr. Peter Schmitt von Nadja Reiterer
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
MehrUnterscheidung: Workflowsystem vs. Informationssystem
1. Vorwort 1.1. Gemeinsamkeiten Unterscheidung: Workflowsystem vs. Die Überschneidungsfläche zwischen Workflowsystem und ist die Domäne, also dass es darum geht, Varianten eines Dokuments schrittweise
MehrBioinformatik. Zeichenketten und Stringalgorithmen. Ulf Leser Wissensmanagement in der. Bioinformatik
Bioinformatik Zeichenketten und Stringalgorithmen Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Warum Stringmatching? Strings und Matching Naiver Algorithmus Ulf Leser: Bioinformatik
MehrEinführung in die Bioinformatik
Einführung in die Bioinformatik Kay Nieselt SS 011 9. It s hip to chip - von Microarrays zu personalisierter Medizin WSI/ZBIT, Eberhard Karls Universität Tübingen Das menschliche Genom (.000.000.000 Basenpaare)
MehrSUDOKU - Strategien zur Lösung
SUDOKU Strategien v. /00 SUDOKU - Strategien zur Lösung. Naked Single (Eindeutiger Wert)? "Es gibt nur einen einzigen Wert, der hier stehen kann". Sind alle anderen Werte bis auf einen für eine Zelle unmöglich,
MehrOrthogonal geschützte Zuckerdiaminosäuren als monomere Bausteine für die Synthese von Aminoglycosidmimetika
rthogonal geschützte Zuckerdiaminosäuren als monomere Bausteine für die Synthese von Aminoglycosidmimetika Dissertation zur Erlangung des akademischen Grades eines Doktors der Naturwissenschaften (Dr.
Mehr