Bioinformatik für Lebenswissenschaftler
|
|
- Horst Winter
- vor 5 Jahren
- Abrufe
Transkript
1 Bioinformatik für Lebenswissenschaftler Oliver Kohlbacher, Steffen Schmidt SS Hiden Markov Models & Phylogenien Abt. Simulation biologischer Systeme WSI/ZBIT, Eberhard Karls Universität Tübingen Übersicht Hidden Markov Model (HMM) Allgemeines Konzept Profile HMM Anwendung Phylogenie Evolutionsmodelle Konstruktion von Stammbäumen Darstellung 2 Hidden Markov Models (HMM) HMM sind ein stochastisches Modell, das eine System (z.b. Alignment) als eine Kette von Zufallsprozessen darstellt Sie werden häufig in der Bioinformatik verwendet Identifizierung von kodierenden Regionen oder pg Sequenz Suche (Profil HMM) Sekundär-Struktur-Vorhersage 1
2 HMM - Definition Ein HMM besitzt sogenannte Zustände (S x ) und Übergänge (t(s x,s y )) Jeder Zustand hat eine bestimmte Anzahl von Beobachtungen (E a emission) mit den p(e a )=1 jeweiligen Wahrscheinlichkeiten p(e a ) S Jedem Übergang (t transition) x zwischen Zuständen ist eine t(s x,s y )=1 Wahrscheinlichkeit zugeordnet S x t(s 1,S 3 ) t(s 1,S 2 ) t(s 2,S 3 ) S 1 S 2 S 3 t(s 2,S 1 ) E 1 E 2 E 3 E 4 Profil HMM - Definition Es gibt Zusätzlich ein Anfangs- und Endzustand Jeder Pfad durch das Model vom Anfangs- bis zum Endzustand ergibt eine Sequenz Die Beobachtungen (Emissionen) sind in diesem Falle eine As einer Sequenz MSA können als sogenannte Profil HMM dargestellt werden Profil HMM - Architektur Jede Spalte im Alignment lässt sich durch 3 Zustände darstellen Match (M) Deletion (D) Insertion (I) D i D i+1 M i M i+1 I i Ii+1 2
3 Profil HMM - Beispiel Start Stop E E A D E F G H I K L M N P Q R S T V W Y 0 1 A D E F G H I K L M N P Q R S T V W Y E E A D E F G H I K L M N P Q R S T V W Y 0 A D E F G H I K L M N P Q R S T V W Y PATH ist die wahrscheinlichste Sequenz, aber auch PETS ist möglich Profil HMM lokale Alignments Insertionen vor und nach HMM werden erlaubt Auch teilweise Alignments sind möglich Start Start Still Still Profil HMM Repeats Das HMM darf mehrmals vorkommen Start Start Still Still 3
4 HMM aus MSA generieren Die einzelnen Spalten im Alignment müssen den Zuständen zugeordnet werden Match: Spalten ohne gaps Insertion: Spalten mit "vielen" gaps Somit lassen sich die Sequenzen als Pfad im HMM verfolgen Die Gesamtwahrscheinlichkeit ist das Produkt der Wahrscheinlichkeiten für Übergängen und den Beobachtungen Profil HMM - Anwendungen HMMER3 ist eine frei verfügbare Implementation BLASTP / PSI-BLAST ähnliche Suche (phmmer, jackhmmer) Ein HMM aus einem MSA erzeugen (hmmbuild) onsensus oder eine Anzahl von Sequenzen aus einem HMM erzeugen (hmmemit) HMM Suche gegen eine Sequenzdatenbank (hmmsearch) Ein MSA aus Sequenzen erzeugen mit Hilfe eines HMM (hmmalign) Sequenzsuche gegen eine Profil HMM Datenbank (SMART, PFAM, hmmscan) HMM gegen HMM Datenbank (HHPred Söding et al.) Profil HMM vs PSSM Genauso wie PSSMs sind Profil HMM stark abhängig von der Qualität des MSA HMM enthalten Wahrscheinlichkeiten für Insertionen und Deletionen, PSSM (PSI-BLAST) nicht HMM sind deutlich sensitiver, aber auch Rechenzeit Intensiver 4
5 Vergleich von Suchmethoden Taxonomie Evolution Phylogenie arl von Linné schlägt um 1735 eine hierarchische Systematik zur Gliederung der Arten vor Taxonomie Evolution Phylogenie harles Darwins Evolutionstheorie gibt ca. 120 Jahre später eine Erklärung für die Entstehung neuer Arten, die zu baumartigen Hierarchien führt 5
6 Taxonomie Evolution - Phylogenie Phylogenie oder Phylogenese beschreibt die evolutionäre Entstehung der Arten Diese Entwicklung kann in Form eines phylogenetischen Baums dargestellt werden Zur Rekonstruktion phylogenetischer Bäume lassen sich verschiedene Methoden heranziehen Morphologischer oder anatomischer Vergleich rezenter Lebewesen Morphologischer oder anatomischer Vergleich fossiler Lebewesen Sequenzanalyse Verwendung der Sequenzanalyse basiert dabei auf der Annahme einer molekularen Uhr Die Molekulare Uhr 6
7 Die Molekulare Uhr Mutationsraten schwanken stark von Art zu Art, von Gen zu Gen, von Lokus zu Lokus Starker Unterschied zwischen kodierenden und nicht kodierenden Regionen Mitochondriale DNA hat höhere Mutationsraten (Fehlende Korrekturmechanismen) Graphen und Bäume Graphen sind ein wichtiges Konzept in der Informatik Mit Graphen lassen sich viele Alltagsprobleme anschaulich darstellen Man hat umfangreiche mathematische Werkzeuge um abstrakt damit zu arbeiten Kante Ein Graph besteht aus Knoten Kanten (die Knoten miteinander verbinden) Knoten Graphen und Bäume Graphen sind ein wichtiges Konzept in der Informatik Mit Graphen lassen sich viele Alltagsprobleme anschaulich darstellen Man hat umfangreiche mathematische Werkzeuge um abstrakt damit zu arbeiten Ein Graph besteht aus Knoten Kanten (die Knoten miteinander verbinden) Dieser einfache Graph drückt Nachbarschaftsbeziehungen in Europa aus. Zwei Knoten sind durch eine Kante verbunden, wenn die entsprechenden Länder aneinander grenzen. 7
8 Graphen und Bäume Graphen sind ein wichtiges Konzept in der Informatik Mit Graphen lassen sich viele Alltagsprobleme anschaulich darstellen Man hat umfangreiche mathematische Werkzeuge um abstrakt damit zu arbeiten Ein Graph besteht aus Knoten Kanten (die Knoten miteinander verbinden) H H H Dieser Graph stellt die Struktur von Pyridin dar. Knoten stehen für Atome und sind mit dem Elementsymbol beschriftet. zwei Knoten sind durch eine Kante verbunden, wenn die Atome eine Bindung teilen. N H H Graphen und Bäume Es gibt verschiedene Arten von Graphen, die unterschiedliche Eigenschaften haben Graphen können z.b. Zyklen besitzen, d.h. man kann entlang der Kanten von einem Knoten zu sich selbst wandern, ohne eine Kante zweimal zu nutzen Graphen und Bäume Es gibt verschiedene Arten von Graphen, die unterschiedliche Eigenschaften haben Graphen können z.b. Zyklen besitzen, d.h. man kann entlang der Kanten von einem Knoten zu sich selbst wandern, ohne eine Kante zweimal zu nutzen Graphen ohne Zyklen (azyklische Graphen), werden auch Bäume genannt Zyklischer Graph Azyklischer Graph (Baum) 8
9 Bäume Einfache evolutionäre Beziehungen lassen sich mit Hilfe von Bäumen darstellen Dabei stehen Knoten für bestimmte Taxa Kanten für eine direkte evolutionäre Verwandtschaft zwischen den beiden Knoten müssen nicht immer explizit gezeichnet werden Gewurzelte und entwurzelte Bäume Gewurzelte Bäume Man kann phylogenetische Bäume gewurzelt oder ungewurzelt darstellen Ein gewurzelter Baum besitzt einen Wurzelknoten, der den jüngsten gemeinsamen Vorfahr aller untersuchten Taxa darstellt Innere Knoten des Baums repräsentieren entsprechend (hypothetische) jüngste gemeinsame Vorfahren der Taxa im Zweig darunter Die Blätter des Baums entsprechen den betrachteten Taxa Der Weg von der Wurzel zu einem Blatt (Pfad) spiegelt die Evolutionsgeschichte des Taxons wieder Innerer Knoten Wurzel Ast, Zweig A B D Blätter 9
10 Ungewurzelte Bäume Ungewurzelte Bäume drücken zwar die Verwandtschaft der Taxa untereinander aus, besagen aber noch nicht, wo der gemeinsame Vorfahr aller Taxa lag Gewurzelte Bäume enthalten also zusätzliche Information Einem ungewurzelten Baum entsprechen auch mithin mehrere unterschiedliche gewurzelte Bäume A B D Umwandlung Wahl der Wurzel Die Umwandlung eines ungewurzelten Baums in einen gewurzelten erfordert die Auswahl einer Kante, an der die Wurzel eingefügt wird Hinzufügen eines oder mehrerer Taxa, die phylogenetisch stark unterschiedlich sind (outgroup) Vergleicht man z.b. Säugersequenzen (B1-B3), kann man entsprechende Sequenzen aus einem Fisch (A) hinzufügen Der gemeinsame Vorfahr von B1-B3 und A liegt evolutionär vor dem gemeinsamen Vorfahr von B1-B3 ) Wurzel B2 A B2 B3 B1 B3 B1 A 10
11 Anzahl Bäume ist exponentiell Anzahl Taxa Anzahl möglicher Bäume , , ,027, ,459, ,729, ,749,310, ,234,143, ,905,853,580,625 ladogramme und Phylogramme Ein ladogramm enthält die Information über phylogenetische Ereignisse (Verzweigungen) der dargestellten Spezies, nicht aber die Zeitinformation Phylogramme stellen an einer Achse die Zeit (oder äquivalente Größen) dar Die Lage der Knoten entspricht der (postulierten) Zeit des phylogenetischen Ereignisses B2 B2 B3 B1 A B3 B1 A T 1 T 2 T 3 Widersprüche in Bäumen Bestimmt man phylogenetische Bäume mit Hilfe unterschiedlicher Gene, erhält man oft unterschiedliche Bäume Gründe Unterschiedliche Mutationsraten Genduplikationen, orthologe vs. paraloge Gene Heuristiken zur Konstruktion der Bäume Horizontaler Gentransfer (nicht baumartige Evolution!) A B D E A B D E A B D E
12 Konsensusbäume Es gibt verschiedene Arten differierende Bäume zusammenzufassen Analog zum Konsensus von Sequenzalignments, kann man auch Konsensusbäume konstruieren Oft divergieren die Bäume nur an bestimmten Stellen Diese Konsensusbäume drücken aus, welche Information in allen oder der Mehrheit der Bäume enthalten ist A B D E A B D E A B D E Strikter Konsensus Beim strikten Konsensus werden nur Verwandtschaftsbeziehungen berücksichtigt, die in allen Bäumen enthalten sind A B D E A B D E A B D E A B D E Konsensus In allen Bäumen ist der grüne Knoten Vorfahr von A, B und B wird daher an den grünen Knoten angehängt Mehrheitskonsensus Beim Mehrheitskonsensus werden alle Beziehungen übernommen, die in mehr als 50% der ursprünglichen Bäume vorkommen A B D E A B D E A B D E A B D E 67% 100% 67% Konsensus Innere Knoten, die in der Mehrzahl der Bäume auftreten werden in den Konsensusbaum übernommen 12
13 Reticulate Evolution Reticulate = netzartig Evolution verläuft leider nicht so geradlinig wie bisher skizziert Horizontaler Gentransfer sorgt z.b. dafür, dass eine Spezies mehrere direkte Vorfahren hat Die entstehenden Bäume sind keine Bäume mehr, sondern allgemeine Graphen, Netzwerke Entsprechend komplexer ist die phylogenetische Analyse dieser Vorgänge Mount, Bioinformatics, S. 244 Literatur + Links Zvelebil & Baum, Understanding Bioinformatics Mount, Bioinformatics, Kapitel 6 T-offee: A Novel Method for Fast and Accurate Multiple Sequence Alignment, J. Mol. Biol. (2000), 302, T-OFFEE-Webserver 13
Bioinformatik für Lebenswissenschaftler
Bioinformatik für Lebenswissenschaftler Oliver Kohlbacher, Steffen Schmidt SS 2010 11. Hiden Markov Models & Phylogenien Abt. Simulation biologischer Systeme WSI/ZBIT, Eberhard Karls Universität Tübingen
MehrBioinformatik für Biochemiker
Bioinformatik für Biochemiker Oliver Kohlbacher WS 2009/2010 9. Multiples Alignment II Abt. Simulation biologischer Systeme WSI/ZBIT, Eberhard Karls Universität Tübingen Übersicht T-OFFEE Probleme bei
MehrBioinformatik für Biochemiker
Bioinformatik für Biochemiker Oliver Kohlbacher WS 2009/2010 9. Multiples Alignment II Abt. Simulation biologischer Systeme WSI/ZBIT, Eberhard Karls Universität Tübingen Übersicht T-COFFEE Probleme bei
MehrEinführung in die Bioinformatik
Einführung in die Bioinformatik Ringvorlesung Biologie Sommer 07 Burkhard Morgenstern Institut für Mikrobiologie und Genetik Abteilung für Bioinformatik Goldschmidtstr. 1 Online Materialien zur Ringvorlesung:
MehrBioinformatik für Lebenswissenschaftler
Bioinformatik für Lebenswissenschaftler Oliver Kohlbacher, Steffen Schmidt SS 2010 10. Multiples Alignment II & PSI-BLAST Abt. Simulation biologischer Systeme WSI/ZBIT, Eberhard Karls Universität Tübingen
MehrMultiple Alignments. Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann. Webseite zur Vorlesung
Multiple Alignments Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann Webseite zur Vorlesung http://bioinfo.wikidot.com/ Sprechstunde Mo 16-17 in OH14, R214 Sven.Rahmann -at-
MehrHidden Markov Model (HMM)
Hidden Markov Model (HMM) Kapitel 1 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig
MehrEinführung in die Angewandte Bioinformatik: Phylogenetik und Taxonomie
Einführung in die Angewandte Bioinformatik: Phylogenetik und Taxonomie 24.06.2010 Prof. Dr. Sven Rahmann 1 Phylogenetik: Berechnung phylogenetischer Bäume Phylogenetik (phylum = Stamm): Rekonstruktion
MehrWelche Alignmentmethoden haben Sie bisher kennengelernt?
Welche Alignmentmethoden haben Sie bisher kennengelernt? Was heißt optimal? Optimal = die wenigsten Mutationen. Sequenzen bestehen aus Elementen (z.b. Aminosäuren oder Nukleotide). Edit Distanzen sind
MehrTreeTOPS. Ein Phylogenetik-Icebreaker Spiel. Lehrer- Handbuch. ELLS Europäisches Lernlabor für die Lebenswissenschaften
TreeTOPS Ein Phylogenetik-Icebreaker Spiel Lehrer- Handbuch ELLS Europäisches Lernlabor für die Lebenswissenschaften 1 Übergeordnetes Ziel Das übergeordnete Ziel des Spieles ist es, die Spieler in das
MehrAnwendungen von HMM. Kapitel 1 Spezialvorlesung Modul (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel
Anwendungen von HMM Kapitel 1 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine
MehrBioinformatik Für Biophysiker
Bioinformatik Für Biophysiker Sommersemester 2009 Silke Trißl / Ulf Leser Wissensmanagement in der Bioinformatik Wissensmanagement in der Bioinformatik Schwerpunkte Algorithmen der Bioinformatik Management
MehrEinführung in die Angewandte Bioinformatik: Multiples Alignment und Phylogenetik
Einführung in die Angewandte Bioinformatik: Multiples Alignment und Phylogenetik 04.06.2009 Prof. Dr. Sven Rahmann 1 Bisher: Paarweise Alignments Optimales Alignment: Alignment mit höchstem Score unter
MehrGleichheit, Ähnlichkeit, Homologie
Gleichheit, Ähnlichkeit, Homologie Identität (identity) Verhältnis der Anzahl identischer Aminosäuren zur Gesamtzahl der Aminosäuren; objektiv Ähnlichkeit (similarity) Verhältnis ähnlicher Aminosäuren
MehrRekonstruktion von Evolutionärer Geschichte
Rekonstruktion von Evolutionärer Geschichte Populations- und Evolutionsbiologie 21.1.04 Florian Schiestl Phylogenetische Systematik Phylogenie: (gr. Phylum=Stamm) die Verwandtschaftsbeziehungen der Organismen,
MehrÜbersicht. Problemdefini1on. BIOINF 1910 Bioinforma1k für Lebenswissenscha;ler
BIOINF 1910 Bioinforma1k für Lebenswissenscha;ler Oliver Kohlbacher und Jens Krüger Sommersemester 2013 8./9. Mul4ples Alignment, Phylogenien Übersicht Mul4ples Alignment Problemstellung Anwendungen Komplexität
MehrEinführung in die Angewandte Bioinformatik: Proteinsequenz-Datenbanken
Einführung in die Angewandte Bioinformatik: Proteinsequenz-Datenbanken 14.05.2009 Prof. Dr. Sven Rahmann 1 3 Proteinsequenz-Datenbanksysteme NCBI Entrez Proteins EBI SRS Proteins UniProt (empfohlen) 2
MehrBCDS Seminar. Protein Tools
BCDS Seminar Protein Tools Gliederung Nützliche Tools Three-/one-letter Amino Acids' Сodes RandSeq Random Protein Sequence Generator Protein Colourer ProtParam PeptideCutter ProtScale TMHMM Server 2.0
MehrGraphen. Definitionen
Graphen Graphen werden häufig als Modell für das Lösen eines Problems aus der Praxis verwendet, wie wir im Kapitel 1 gesehen haben. Der Schweizer Mathematiker Euler hat als erster Graphen verwendet, um
MehrEvolutionäre Bäume. Madox Sesen. 30. Juni 2014
Evolutionäre Bäume Madox Sesen 30. Juni 2014 1 Einleitung Phylogenetische Bäume sind ein wichtiges Darstellungsmittel der Evolutionsforschung. Durch sie werden Verwandtschaftsbeziehungen zwischen Spezies
MehrBioinformatik Für Biophysiker
Bioinformatik Für Biophysiker Wintersemester 2006 / 2007 Ulf Leser Wissensmanagement in der Bioinformatik Wissensmanagement in der Bioinformatik Lehrstuhl seit 10/2002 Schwerpunkte Algorithmen der Bioinformatik
MehrWie teilt man Lebewesen ein? 1. Versuch Aristoteles ( v.chr.)
Taxonomie Kladistik Phylogenese Apomorphien& Co. Fachwissenschaft & Methodik bei der Ordnung und Einteilung von Lebewesen Bildquellen: http://www.ulrich-kelber.de/berlin/berlinerthemen/umwelt/biodiversitaet/index.html;
MehrPhylogenetik. Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann. Webseite zur Vorlesung
Phylogenetik Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann Webseite zur Vorlesung http://bioinfo.wikidot.com/ Sprechstunde Mo 16-17 in OH14, R214 Sven.Rahmann -at- tu-dortmund.de
MehrDatenstrukturen Teil 2. Bäume. Definition. Definition. Definition. Bäume sind verallgemeinerte Listen. Sie sind weiter spezielle Graphen
Bäume sind verallgemeinerte Listen Datenstrukturen Teil 2 Bäume Jeder Knoten kann mehrere Nachfolger haben Sie sind weiter spezielle Graphen Graphen bestehen aus Knoten und Kanten Kanten können gerichtet
MehrAlgorithmische Bioinformatik
Algorithmische Bioinformatik Einführung in die Phylogenie (lat.: phylum = Stamm) Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Stammbäume Phylogenetische Bäume Evolutionsmodell
MehrZentrum für Bioinformatik. Übung 4: Revision. Beispielfragen zur Klausur im Modul Angewandte Bioinformatik (erste Semesterhälfte)
Andrew Torda Björn Hansen Iryna Bondarenko Zentrum für Bioinformatik Übung zur Vorlesung Angewandte Bioinformatik Sommersemester 2014 20./23.06.2014 Übung 4: Revision Beispielfragen zur Klausur im Modul
MehrSlide 1. Visualisierung evolutionärer Zusammenhänge
Slide 1 Visualisierung evolutionärer Zusammenhänge Slide 2 Evolution Enstehung neuerarten: Vererbung Mutation Selektion Horizontaler Gentransfer, Endosymbiose, Hybridisierung Slide 3 2 Beispiele: Slide
MehrEvolution & Genetik (Beispiel Hämoglobin) Prof. Dr. Antje Krause FH Bingen 06721 / 409 253 akrause@fh-bingen.de
Evolution & Genetik (Beispiel Hämoglobin) Prof. Dr. Antje Krause FH Bingen 06721 / 409 253 akrause@fh-bingen.de DNA (Desoxyribonukleinsäure) 5 3 CGATGTACATCG GCTACATGTAGC 3 5 Doppelhelix Basen: Adenin,
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Bäume)
WS 2016/17 Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrAlgorithmische Bioinformatik
Algorithmische Bioinformatik Suffixbäume Ulf Leser Wissensmanagement in der Bioinformatik Ziele Perspektivenwechsel: Von Online zu Offline-Stringmatching Verständnis von Suffix-Bäumen als Datenstruktur
MehrPhylogenetische Analyse
Bioinformatik I - Uebung Phylogenetische Analyse Wenn nicht anders angegeben verwende die Standard-Einstellungen der Programme Hintergrund: Die Schwämme (Phylum Porifera) gehören zu den den ältesten lebenden
MehrBioinformatik für Lebenswissenschaftler
Bioinformatik für Lebenswissenschaftler Oliver Kohlbacher, Steffen Schmidt SS 2010 09. Multiples Alignment I Abt. Simulation biologischer Systeme WSI/ZBIT, Eberhard Karls Universität Tübingen Übersicht
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrBioinformatik für Lebenswissenschaftler
Bioinformatik für Lebenswissenschaftler Oliver Kohlbacher, Steffen Schmidt SS 2010 09. Multiples Alignment I Abt. Simulation biologischer Systeme WSI/ZBIT, Eberhard Karls Universität Tübingen Übersicht
MehrMatrizen. Nicht nur eine Matrix, sondern viele 0,5 0,2 0,3 A 0,2 0,7 0,1
Nicht nur eine Matrix, sondern viele Matrizen 0,5 0,2 0,3 A 0,2 0,7 0,1 015 0,15 0,75 075 0,1 01 aber keine Matrize und auch keine Matratzen 1 Wie beschreibt man Prozesse? Makov-Modell Modell Markov- Prozess
MehrEinführung in die Bioinformatik
Einführung in die Bioinformatik SS 2013 1. Was ist Bioinformatik? Kay Nieselt Integrative Transkriptomik Zentrum für Bioinformatik Tübingen Kay.Nieselt@uni-tuebingen.de Ablauf und Formales Ringvorlesung
MehrBioinformatik Für Biophysiker
Bioinformatik Für Biophysiker Wintersemester 2005 / 2006 Ulf Leser Wissensmanagement in der Bioinformatik Wissensmanagement in der Bioinformatik Lehrstuhl seit 10/2002 Schwerpunkte Algorithmen der Bioinformatik
MehrEvolutionary Trees: Distance Based
Evolutionary Trees: Distance Based 1 Buftea Alexandru Laut der Evolutionstheorie findet in allen Organismen eine langsame Änderung statt (Evolution). Ein evolutionärer Baum, auch phylogenetischer Baum
MehrAusprägungsfach Bioinformatik im Rahmen des Bachelor-Studiengangs Informatik. CIBIV Center for Integrative Bioinformatics Vienna
Ausprägungsfach Bioinformatik im Rahmen des Bachelor-Studiengangs Informatik Center for Integrative Bioinformatics Vienna (CIBIV) Max F. Perutz Laboratories (MFPL) Vienna, Austria http://www.cibiv.at CIBIV
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Spracherkennung und Hidden Markov Modelle Dozentin: Wiebke Petersen WS 2004/2005 Wiebke Petersen Einführung in die Computerlinguistik WS 04/05 Spracherkennung Merkmalsextraktion
MehrProjektgruppe. Text Labeling mit Sequenzmodellen
Projektgruppe Enes Yigitbas Text Labeling mit Sequenzmodellen 4. Juni 2010 Motivation Möglichkeit der effizienten Verarbeitung von riesigen Datenmengen In vielen Bereichen erwünschte automatisierte Aufgabe:
MehrPairwise Alignment. Steffen Forkmann. Proseminar: BioInformatik
Pairwise Alignment Steffen Forkmann Proseminar: BioInformatik Wintersemester 2004/2005 Inhaltsverzeichnis 1 Problemstellungen 3 1.1 Rechtschreibkorrektur............................... 3 1.2 DNA- und Aminosäure-Sequenzen........................
MehrBioinformatik. Lokale Alignierung Gapkosten. Silke Trißl / Ulf Leser Wissensmanagement in der. Bioinformatik
Bioinformatik Lokale Alignierung Gapkosten Silke Trißl / Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Ähnlichkeit Lokales und globales Alignment Gapped Alignment Silke Trißl:
Mehr9 Minimum Spanning Trees
Im Folgenden wollen wir uns genauer mit dem Minimum Spanning Tree -Problem auseinandersetzen. 9.1 MST-Problem Gegeben ein ungerichteter Graph G = (V,E) und eine Gewichtsfunktion w w : E R Man berechne
MehrBioinformatik. Einleitung Überblick. Ulf Leser Wissensmanagement in der. Bioinformatik
Bioinformatik Einleitung Überblick Ulf Leser Wissensmanagement in der Bioinformatik H5N1 Foto: Centers for Disease Control Ulf Leser: Algorithmische Bioinformatik, Wintersemester 2005/2006 2 Migration
MehrAlgorithmische Bioinformatik
Algorithmische Bioinformatik Einführung in die Phylogenie (lat.: phylum = Stamm) Ulf Leser Wissensmanagement in der Bioinformatik Suche mit MSA Erinnerung: Erzeugung von Proteinfamilien Starte mit Proteinen
MehrStudiengang Informatik der FH Gießen-Friedberg. Sequenz-Alignment. Jan Schäfer. WS 2006/07 Betreuer: Prof. Dr. Klaus Quibeldey-Cirkel
Studiengang Informatik der FH Gießen-Friedberg Sequenz-Alignment Jan Schäfer WS 2006/07 Betreuer: Prof. Dr. Klaus Quibeldey-Cirkel Überblick Einführung Grundlagen Wann ist das Merkmal der Ähnlichkeit erfüllt?
MehrBayesianische Netzwerke - Lernen und Inferenz
Bayesianische Netzwerke - Lernen und Inferenz Manuela Hummel 9. Mai 2003 Gliederung 1. Allgemeines 2. Bayesianische Netzwerke zur Auswertung von Genexpressionsdaten 3. Automatische Modellselektion 4. Beispiel
MehrMaschinelles Lernen in der Bioinformatik
Maschinelles Lernen in der Bioinformatik Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) VL 2 HMM und (S)CFG Jana Hertel Professur für Bioinformatik Institut für Informatik
MehrPhylogenetische Bäume Kieu Trinh Do SS 2009
1. Einleitung Phylogenetische Bäume Kieu Trinh Do SS 2009 Wie seit geraumer Zeit bekannt ist, hat Ähnlichkeit ihre Ursachen in gemeinsamer Abstammung. Es stellt sich aber die Frage, wie wir die evolutionäre
MehrÜbungsaufgaben zur Einführung in die Bioinformatik - Lösungen
18.01.2013 Prof. P. Güntert 1 Vorlesung BPC I: Aspekte der Thermodynamik in der Strukturbiologie Übungsaufgaben zur Einführung in die Bioinformatik - Lösungen 1. Hamming und Levenshtein Distanzen a) Was
MehrEinführung in die Bioinformatik
Einführung in die Bioinformatik SS 2014 1. Was ist Bioinformatik? Kay Nieselt Integrative Transkriptomik Zentrum für Bioinformatik Tübingen Kay.Nieselt@uni-tuebingen.de Ablauf und Formales Ringvorlesung
MehrTutoraufgabe 1 (Suchen in Graphen):
Prof. aa Dr. E. Ábrahám Datenstrukturen und Algorithmen SS14 F. Corzilius, S. Schupp, T. Ströder Tutoraufgabe 1 (Suchen in Graphen): a) Geben Sie die Reihenfolge an, in der die Knoten besucht werden, wenn
MehrGraphentheorie Graphentheorie. Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke
Graphen Graphentheorie Graphentheorie Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke 2 Was ist ein Graph? Ein Graph ist in der Graphentheorie eine abstrakte Struktur,
MehrAlgorithmische Bioinformatik 1
Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Algorithmen
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester Lösungsblatt 4 Maschinelles Lernen und Spracherkennung
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 216 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Lösungsblatt 4 Maschinelles Lernen und Spracherkennung Aufgabe
MehrKonzepte II. Netzwerkanalyse für Politikwissenschaftler
Konzepte II Netzwerkanalyse für Politikwissenschaftler Wiederholung Räumliche Distanzen und MDS Hauptkomponenten Neuere Entwicklungen Netzwerkanalyse für Politikwissenschaftler Konzepte II (1/20) Worum
MehrAF. Bioinformatik im Bachelor-Studiengang Informatik. CIBIV Center for Integrative Bioinformatics Vienna. Bioinformatik eine Definition
AF. Bioinformatik im Bachelor-Studiengang Informatik Center for Integrative Bioinformatics Vienna (CIBIV) Max F. Perutz Laboratories (MFPL) Vienna, Austria http://www.cibiv.at April 11, 2011 CIBIV Center
MehrAlgorithmen auf Sequenzen Paarweiser Sequenzvergleich: Alignments
Algorithmen auf Sequenzen Paarweiser Sequenzvergleich: Alignments Sven Rahmann Genominformatik Universitätsklinikum Essen Universität Duisburg-Essen Universitätsallianz Ruhr Einführung Bisher: Berechnung
MehrBioinformatik. Einführung in die Phylogenie. (lat.: phylum = Stamm) Ulf Leser Wissensmanagement in der. Bioinformatik
Bioinformatik Einführung in die Phylogenie (lat.: phylum = Stamm) Ulf Leser Wissensmanagement in der Bioinformatik Suche mit MSA Erinnerung: Erzeugung von Proteinfamilien Starte mit Proteinen gleicher/ähnlicher
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
MehrKonzepte II. Netzwerkanalyse für Politikwissenschaftler. Wiederholung
Konzepte II Netzwerkanalyse für Politikwissenschaftler Netzwerkanalyse für Politikwissenschaftler Konzepte II (1/20) Worum geht es? Bisher: Eigenschaften einzelner Punkte bzw. des Netzwerkes Definiert
MehrBioinformatik für Lebenswissenschaftler
Bioinformatik für Lebenswissenschaftler Oliver Kohlbacher, Steffen Schmidt SS 2010 06. Paarweises Alignment Teil II Abt. Simulation biologischer Systeme WSI/ZBIT, Eberhard Karls Universität Tübingen Übersicht
MehrAlgorithmische Bioinformatik
Algorithmische Bioinformatik Multiple Sequence Alignment Sum-of-pairs Score Center-Star Score Ulf Leser Wissensmanagement in der Bioinformatik Ziel dieser Vorlesung Aufgabenstellung Multiples Sequenzalignment
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 13. Prädikatenlogik Der Satz von Herbrand Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Semantische Bäume Eine klassische
MehrAlle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)).
8. Untere Schranken für Sortieren Alle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)). Werden nun gemeinsame Eigenschaften dieser Algorithmen untersuchen. Fassen gemeinsame
MehrSoftwarewerkzeuge der Bioinformatik
Bioinformatik Wintersemester 2006/2007 Tutorial 2: paarweise Sequenzaligments BLAST Tutorial 2: BLAST 1/22 Alignment Ausrichten zweier oder mehrerer Sequenzen, um: ihre Ähnlichkeit quantitativ zu erfassen
MehrBioinformatik II: Phylogenetik
Bioinformatik II: Phylogenetik phylogenetisch Phylai: griechische Klans phylum: der Stamm phylogenetisch: die Stammesgeschichte von Lebewesen betreffend Hierarchien der Klassifikation: Domäne: Eukaryonten
MehrAlgorithmen und Datenstrukturen in der Bioinformatik Zweites Übungsblatt WS 05/06 Musterlösung
Johanna Ploog, Konstantin Clemens Freie Universität Berlin Institut für Mathematik II Arbeitsgruppe für Mathematik in den Lebenswissenschaften Algorithmen und Datenstrukturen in der Bioinformatik Zweites
MehrGraphen Jiri Spale, Algorithmen und Datenstrukturen - Graphen 1
Graphen 27 Jiri Spale, Algorithmen und Datenstrukturen - Graphen Motivation Einsatz: Berechnung von Entfernungen Auffinden von Zyklen in Beziehungen Ermittlung von Verbindungen Zeitmanagement Konzept:
MehrAlgorithmen und Datenstrukturen II
Algorithmen und Datenstrukturen II Algorithmen zur Textverarbeitung III: D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Sommer 2009,
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrBinary Decision Diagrams (Einführung)
Binary Decision Diagrams (Einführung) Binary Decision Diagrams (BDDs) sind bestimmte Graphen, die als Datenstruktur für die kompakte Darstellung von booleschen Funktionen benutzt werden. BDDs wurden von
MehrEinführung in die Bioinformatik
Einführung in die Bioinformatik Kay Nieselt Integrative Transkriptomik Zentrum für Bioinformatik Tübingen Kay.Nieselt@uni-tuebingen.de SS 2012 5. Biologische Netzwerke - Gut vernetzt hält besser Überblick
Mehr1 Schulinterner Kernlehrplan Biologie Q2 Evolution
1 Schulinterner Kernlehrplan Biologie Q2 Evolution 1 Inhaltsfelder Schwerpunkt Basiskonzept Konkretisierte Kompetenzen Evolution Evolutionstheorien LK Evolutionstheorie Biodiversität und Systematik Entwicklung
MehrProgramm heute. Algorithmen und Datenstrukturen (für ET/IT) Übersicht: Graphen. Definition: Ungerichteter Graph. Definition: Ungerichteter Graph
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München 7 Fortgeschrittene Datenstrukturen Graphen
MehrChristian Rieck, Arne Schmidt
Institute of Operating Systems and Computer Networks Algorithms Group Algorithmen und Datenstrukturen Wintersemester 207/208 Übung#5, 2.2.207 Christian Rieck, Arne Schmidt Bäume Satz Jeder gerichtete Baum
MehrInformatik II: Algorithmen und Datenstrukturen SS 2015
Informatik II: Algorithmen und Datenstrukturen SS 2015 Vorlesung 8b, Mittwoch, 17. Juni 2015 (Balancierte Suchbäume) Prof. Dr. Hannah Bast Lehrstuhl für Algorithmen und Datenstrukturen Institut für Informatik
MehrAlgorithmische Bioinformatik
Algorithmische Bioinformatik Multiple Sequence Alignment Sum-of-pairs Score Center-Star Score Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Multiples Sequenzalignment Sum-Of-Pair
MehrMOL.504 Analyse von DNA- und Proteinsequenzen. Modul 2 BLAST-Sequenzsuche und Sequenzvergleiche
MOL.504 Analyse von DNA- und Proteinsequenzen Modul 2 BLAST-Sequenzsuche und Sequenzvergleiche Summary Modul 1 - Datenbanken Wo finde ich die DNA Sequenz meines Zielgens? Wie erhalte ich Info aus der DNA-Datenbank
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrKapitel 4: Netzplantechnik Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Netzplantechnik 5. Minimal spannende Bäume 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrDarwins Erben - Phylogenie und Bäume
Vorlesung Einführung in die Bioinforma4k SoSe2011 Darwins Erben - Phylogenie und Bäume Prof. Daniel Huson ZBIT Center for Bioinformatics Center for Bioinformatics Charles Darwin und Bäume Darwin's Notizbuch
MehrEinführung in die Bioinformatik
Einführung in die Bioinformatik Kay Nieselt Integrative Transkriptomik Zentrum für Bioinformatik Tübingen Kay.Nieselt@uni-tuebingen.de SS 2011 8. Biologische Netzwerke - Gut vernetzt hält besser Überblick
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester Lösungsblatt 4 Maschinelles Lernen und Spracherkennung
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2018 S. Constantin (stefan.constantin@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Lösungsblatt 4 Maschinelles Lernen und Spracherkennung Aufgabe
MehrV3 - Multiples Sequenz Alignment und Phylogenie
V3 - Multiples Sequenz Alignment und Phylogenie Literatur: Kapitel 4 in Buch von David Mount Thioredoxin-Beispiel heute aus Buch von Arthur Lesk Softwarewerkzeuge der Bioinformatik 1 Definition von Homologie
MehrUnterrichtsvorhaben IV: Thema/Kontext: Spuren der Evolution Welche Belege gibt es für die Evolution?
Unterrichtsvorhaben IV: Thema/Kontext: Spuren der Evolution Welche Belege gibt es für die Evolution? Inhaltsfeld: IF 6: Evolution Inhaltliche Schwerpunkte: Evolutionsbelege Evolution der Evolutionstheorie
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 6 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 16. Mai 2018 [Letzte Aktualisierung: 18/05/2018,
MehrRekonstruktion der Evolution der Lebewesen. Eine Analyse am Beispiel der Wnt Gene. Evolution der Wnt Gene (Lehrmeinung vs.
Rekonstruktion der Evolution der Lebewesen Die Herkunft und Enstehung der Vielfalt des Lebens war lange schon von hohem Interesse. Grundlagen für unser heutiges Verständnis legte Charles Darwin, 1859.
MehrHidden Markov Modelle
Hidden Markov Modelle (Vorabversion begleitend zur Vorlesung Spracherkennung und integrierte Dialogsysteme am Lehrstuhl Medieninformatik am Inst. f. Informatik der LMU München, Sommer 2005) Prof. Marcus
MehrMBI: Sequenzvergleich ohne Alignment
MBI: Sequenzvergleich ohne Alignment Bernhard Haubold 12. November 2013 Wiederholung Exaktes & inexaktes Matching Das exakte Matching Problem Naive Lösung Präprozessierung Muster(Pattern): Z-Algorithmus,
MehrBioinformatik für Lebenswissenschaftler
Bioinformatik für Lebenswissenschaftler Oliver Kohlbacher, Steffen Schmidt SS 2010 5. Paarweises Alignment Teil I Abt. Simulation biologischer Systeme WSI/ZBIT, Eberhard Karls Universität Tübingen Übersicht
MehrAlgorithmische Anwendungen WS 2005/2006
Algorithmische Anwendungen WS 2005/2006 Sequenzalignment Gruppe F_lila_Ala0506 Allal Kharaz Yassine ELassad Inhaltsverzeichnis 1 Problemstellungen...................................... 3 1.1 Rechtschreibkorrektur...............................
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2018
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2018 S. Constantin (stefan.constantin@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 4 Maschinelles Lernen und Spracherkennung Abgabe
MehrHidden Markov Models (HMM)
Hidden Markov Models (HMM) Kursfolien Karin Haenelt 1 Themen Definitionen Stochastischer Prozess Markow Kette (Visible) Markov Model Hidden Markov Model Aufgaben, die mit HMMs bearbeitet werden Algorithmen
MehrAttached! Proseminar Netzwerkanalyse SS 2004 Thema: Biologie
Rheinisch-Westfälischen Technischen Hochschule Aachen Lehr- und Forschungsgebiet Theoretische Informatik Prof. Rossmanith Attached! Proseminar Netzwerkanalyse SS 2004 Thema: Biologie Deniz Özmen Emmanuel
Mehr