Phylogenetik. Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann. Webseite zur Vorlesung
|
|
- Elsa Hofmann
- vor 7 Jahren
- Abrufe
Transkript
1 Phylogenetik Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann Webseite zur Vorlesung Sprechstunde Mo in OH14, R214 Sven.Rahmann -at- tu-dortmund.de 1
2 Phylogenetik Phylum = Stamm Phylogenetik: befasst sich mit der Rekonstruktion von evolutionären Stammbäumen (= phylogenetische Bäume, Phylogenien) aus unterscheidbaren Merkmalen, heutzutage insbesondere aus DNA- / Proteinsequenzen, - sowohl von Spezies [species trees] - als auch von einzelnen Gen- / Protein-Familien [gene trees] Tree Of Life Ein langfristiges Ziel: Stammbaum aller existierenden (und ausgestorbenen) Arten Tree Of Life Web Project: 2
3 Tree Of Life Ein langfristiges Ziel: Stammbaum aller existierenden (und ausgestorbenen) Arten Tree Of Life Web Project: Kontroverse über Verzweigungen nahe der Wurzel Tree Of Life Web Project 3
4 Ein Graph besteht aus: - Knoten (vertices V, nodes) und - Kanten (edges E), die zwischen den Knoten verlaufen. Grundlagen: Graphen Graphen können gerichtet oder ungerichtet sein (Kanten haben eine Richtung oder nicht). Der Grad eines Knoten ist die Anzahl seiner Nachbarn. 4
5 Grundlagen: Ungewurzelte Bäume Als (ungewurzelter) Baum (unrooted tree) T = (V,E) wird ein Graph bezeichnet, der - zusammenhängend (:= jeder Knoten wird von jedem anderen erreicht) - kreisfrei (:= es gibt nur einen Weg zwischen je zwei Knoten) ist. In einem Baum unterscheidet man zwischen - inneren Knoten (inner nodes N), und - Blättern = äußeren Knoten (leaves L). Kante Ein Baum heißt Binärbaum, wenn alle inneren Knoten Grad 3 und Blätter Grad 1 haben. Ungewurzelte binäre Bäume erfüllen E = 2 L - 3 und N = L - 2. Innerer Knoten Blatt 5
6 Grundlagen: Gewurzelte Bäume Ein ungewurzelter Baum kann gewurzelt werden, indem man eine Kante auswählt, in deren Mitte einen Knoten (die Wurzel) einfügt, und den Baum daran äufhängt. Die Wurzel hat Grad 2. Die Kanten werden von der Wurzel weg gerichtet. In der Informatik wird die Wurzel eines Baums stets oben, die Blätter werden unten gezeichnet. Kanten verlaufen von oben nach unten. 6
7 Anzahl an Binärbäumen Ungewurzelte Binärbäume: 3 Blätter: 1 Baum mit 3 Kanten 4 Blätter: 3 verschiedene Bäume, je 5 Kanten 5 Blätter: 3*5 = 15 Bäume, je 7 Kanten 6 Blätter: 15*7 = 105 Bäume... A B 3 Blätter: 1 ungewurzelter Baum Gewurzelte Binärbäume: Man kann die Wurzel wie ein weiteres Blatt bei ungewurzelten Bäumen behandeln: 3 Blätter: 3 Bäume (siehe rechts, 5 Kanten) 4 Blätter: 3*5 = 15 5 Blätter: 15*7 = 105 A B A B B A Beobachtung: Anzahl der binären Bäume wächst super-exponentiell in der Anzahl der Blätter n (schneller als c n für jede Konstante c) 3 Blätter: 3 gewurzelte Bäume mit veschiedenen Nachbarschaftsverhältnissen 7
8 Die drei Quartette A A B A B B D D D AB D A BD AD B 8
9 Aufgaben der Phylogenetik Eine wichtige Aufgabe der Phylogenetik ist die Bestimmung der Verwandtschaftsverhältnisse zwischen Arten (Spezies) und der Ereignisse, die bei verschiedenen Arten seit der Speziation stattfanden. Gorillas Humans himpanzees Bonobos Orangutans Bonobos Gorillas Humans MYA 0 14 MYA 0 Klassische Sichtweise, basierend auf äußeren Merkmalen Moderne Sichtweise, basierend auf DNA-Vergleich 9
10 Evolutionäre Verwandtschaft zwischen Genen Erinnerung: Ein multiples Alignment ist nur zwischen Sequenzen sinnvoll, die global ähnlich sind, d.h. zwischen denen eine evolutionäre Verwandtschaft besteht. Diese wird durch einen phylogenetischen Baum ausgedrückt. Beispiel: Serpin-Familie in der pfam-datenbank Dies ist ein Gen-Baum (gene tree), kein Arten-Baum (species tree): An den Blättern (rechts) stehen einzelne Gene/Proteine/Sequenzen, keine Spezies. Evolutionäre Ereignisse (innere Knoten): - Genduplikation - Speziation 10
11 Grad der Auflösung des Verzweigungsmusters Stern -Baum, nicht aufgelöst Teilweise aufgelöst Vollständig aufgelöst A A A B E E D B B E D D Polytomie, Multifurkation Bifurkation 11
12 Darstellungsarten in der Phylogenetik Kladogramm Phylogramm Ultrametrischer Baum (cladogram) (phylogram) (ultrametric tree) Taxon B Taxon Taxon Taxon B Taxon B Taxon Taxon A 1 Taxon A Taxon A Taxon D 5 Taxon D Taxon D Achse hat keine Bedeutung Maß für den genetischen Unterschied (z.b. PAM-Einheiten) Realzeit: gleicher Abstand aller Blätter zur Wurzel Alle Darstellungsformen zeigen die gleichen evolutionären Beziehungen (Baumtopologien, Verzweigungen, zwischen den Taxa). Taxa im selben Unterbaum bilden eine monophyletische Gruppe (clade). Darstellung durch geschachtelte Klammern: (((B,),A),D) 12
13 Gewurzelt oder ungewurzelt? Das Problem der Molekularen Uhr Phylogenetische Bäume werden (heutzutage vor allem) aus Biosequenzen gewonnen. Um über die Verwandtschafts-Verhältnisse zu entscheiden, benötigt man Algorithmen zum Sequenzvergleich, ein mathematisches Modell der Evolutionsprozesse auf Sequenzen. Hieraus lassen sich Distanzen zwischen Sequenzen berechnen. Beispiel: 139 beobachtete Unterschiede auf zwei Sequenzen der Länge 854. Wie vielen PAM-Einheiten entspricht das? Dies kann als einfaches Distanzmaß genommen werden. Problem: Distanz ist nicht Realzeit! Evolutionsgeschwindigkeit variiert zeitlich, genspezifisch, Gattungs-spezifisch,... Hieraus berechnete Bäume repräsentieren keine realen zeitlichen Abstände. Auch die Wurzel kann nicht zuverlässig positioniert werden. Man berechnet ungewurzelte Phylogramme. In Ausnahmefällen treten diese Probleme nicht auf. Man sagt dann: Es gilt die Hypothese der molekularen Uhr. Man erhält einen gewurzelten ultrametrischen Baum. 13
14 Wurzeln eines ungewurzelten Baums Zwei Methoden: (1) Mit Hilfe einer outgroup : Spezies die bekanntermaßen außerhalb der betrachteten Gruppe liegt (erfordert Vorwissen, relativ zuverlässig) outgroup (2) Als Mittelpunkt der am weitesten voneinander entfernten Taxa (einfach, relativ unsicher) A 10 Größter Abstand: d (A,D) = = 18 Mittelpunkt bei 18 / 2 = B 2 5 D 14
15 Ähnlichkeit / Distanz: beobachtbar, messbar Ähnlichkeit ist nicht Verwandtschaft Verwandtschaft: historische Tatsache, kann heute nicht mehr beobachtet werden A D 6 B ist ähnlicher zu A (d = 3) als zu B (d = 7), aber und B sind am nächsten verwandt. Das heißt, und B hatten einen späteren gemeinsamen Vorfahren als oder B mit A. 15
16 Gründe für beobachtete Ähnlichkeiten (1) Evolutionäre Verwandtschaft - gemeinsame Stamm-Merkmale () - gemeinsame abgeleitete Merkmale (G) (2) parallele unabhängige Entwicklung von Merkmalen (Homoplasie) G G G T G G G G G konvergente Mutation zu G parallele Mutation zu G Rückmutation zu (3) geringe Evolutionsraten (hoher negativer selektiver Druck) 16
17 Phylogenetische Methoden Es gibt unterschiedliche Methoden zum Erstellen phylogenetischer Bäume. Sie unterscheiden sich vor allem in zwei Dingen: - Auf welcher Art von Daten arbeiten sie (Distanze oder Merkmale)? - Welche Prinzipien liegen dem Algorithmus zu Grunde? ALGORITHMUS BASIERT AUF einem Optimalitätskriterium lusteringverfahren ART DER DATEN Merkmale Distanzen PARSIMONY (Sparsamkeit) MAXIMUM LIKELIHOOD MINIMUM EVOLUTION LEAST SQUARES (kleinste Quadrate) UPGMA NEIGHBOR-JOINING 17
18 Distanz- vs. Merkmals-basierte Methoden Merkmals-basierte Methoden Merkmale sind Objekte, die einen von mehreren Zuständen annehmen können, z.b. jeweils eine Spalte in einem multiplen Alignment von DNA-Sequenzen. In jedem Taxon liegt eine bestimmte Merkmalsausprägung vor. Die Merkmale (Alignments) werden direkt zur Baumkonstruktion verwendet. Taxa Merkmale Species A ATGGTATTTTATAGTAG Species B ATGTAGTTTATATTAA Species TTATAGATGTGGTA Species D TTGAAGATGTGGTG Species E TTGAAGTTTTAGTTG Distanz-basierte Methoden Die Merkmale werden durch ein mathematisches Modell in paarweise Distanzen zwischen den Taxa umgerechnet. Nur die Distanz-Werte werden zur Baumkonstruktion verwendet. Zwei berechnete Distanzmatrizen rechts: Anteil Unterschiede, links: PAM-Schätzung / 100 A B D E Species A Species B Species Species D Species E
19 Optimierungs- vs. lustering-methoden Auf einem Optimalitätskriterium basierende Methoden Es wird ein Kriterium (eine Eigenschaft des zu berechnenden Baumes) definiert, das es zu optimieren gilt. Beispiele dafür: - Möglichst wenig Mutationen insgesamt im Baum - Möglichst wenig Diskrepanz zwischen gegebenen Distanzen und den Distanzen, die die Baumtopologie impliziert Die Aufgabe eines Algorithmus' ist nun, den Baum zu finden, der dieses Kriterium optimiert. Man muss wieder zwischen exakten Algorithmen und Heuristiken unterscheiden. Man kann die Ausgaben verschiedener Algorithmen miteinander vergleichen. lustering-methoden Es werden Regeln definiert, nach denen Taxa zu (2er-)Bäumen zusammenzufassen sind, diese Bäume wiederum zu grösseren Bäumen, etc. Diese Methoden liefern immer einen einzigen Baum zurück; dieser kann nicht gegenüber Alternativen bewertet werden. Es gibt kein Optimalitätskriterium. Achtung: Keines der Prinzipien verspricht den biologisch korrekten Baum! 19
20 Ausgewählte Methoden im Überblick ALGORITHMUS BASIERT AUF einem Optimalitätskriterium lusteringverfahren ART DER DATEN Merkmale Distanzen PARSIMONY (Sparsamkeit) MAXIMUM LIKELIHOOD MINIMUM EVOLUTION LEAST SQUARES (kleinste Quadrate) UPGMA NEIGHBOR-JOINING Merkmalsbasierte Methoden: + können auf molekulare oder auf morphologische Merkmale angewendet werden + liefern Schätzungen der Ahnen-Sequenzen + können die evolutionären Ereignisketten bestimmen führen auf NP-schwere Probleme, auch Heuristiken sehr rechenaufwändig 20
21 Sehr einfaches Beispiel Gegeben sind 5 Sequenzen: A, A, G, G, G Zwei mögliche Baumtopologien: Welche Sequenzen stehen an den inneren Knoten? Bei Maximum-Likelihood spielt die Länge der Kanten dabei eine Rolle.???????? A G G A G G G G A A 21
22 Parsimony (Sparsamkeit) Gesucht / Ausgabe: Baumtopologie, Ahnen-Sequenzen in den inneren Knoten & Wurzel Optimalitätskriterium: Der sparsamste Baum ( most parsimonious tree) ist derjenige, der über alle Kanten summiert am wenigsten Änderungen benötigt. Vorteile Einfach, intuitiv, motiviert durch Occam's Razor: die einfachste, kürzeste Erklärung ist die beste. Nachteile: Unterschätzt die wahre Anzahl von evolutionären Ereignissen bei entfernt verwandten Sequenzen (z.b. wegen Homoplasien) liefert falsche Ergebnisse bei weit entfernten Sequenzen und stark unterschiedlichen Raten 22
23 Maximum Likelihood (maximale Plausibilität) Gesucht / Ausgabe: Baumtopologie, Kantenlängen (in PAM-Einheiten o.ä.) Optimalitätskriterium: Sind ein statistisches Evolutionsmodell und eine Baumtopologie & Kantenlängen gegeben, kann man die Wahrscheinlichkeit ausrechnen, dass genau die beobachteten Sequenzen zusammen auftreten. Gesucht ist der Baum & Kantenlängen, der diese Wahrscheinlichkeit maximiert. Vorteile Modellbasiert: Alle Annahmen werden explizit gemacht Mehrfach- und Rücksubstitutionen sind im Modell berücksichtigt Konsistente Schätzung evolutionärer Distanzen (Kantenlängen) Nachteile: Ergebnisse sehr modell-abhängig; falsches Modell führt zu beliebigen Ergebnissen schwierig zu verstehen 23
24 Ausgewählte Methoden im Überblick ALGORITHMUS BASIERT AUF einem Optimalitätskriterium lusteringverfahren ART DER DATEN Merkmale Distanzen PARSIMONY (Sparsamkeit) MAXIMUM LIKELIHOOD MINIMUM EVOLUTION LEAST SQUARES (kleinste Quadrate) Programme fitch, kitsch UPGMA NEIGHBOR-JOINING Distanzbasierte Optimierungs-Methoden: + Distanzen können auf unterschiedliche Arten gewonnen werden + flexibler Einsatz, auch außerhalb der Phylogenetik Merkmale gehen nur indirekt ein; Ergebnisse von Distanzberechnung abhängig Keine Aussage über Ahnen-Merkmale möglich 24
25 Minimum Evolution / Least Squares Gesucht / Ausgabe: Baumtopologie, Kantenlängen Optimalitätskriterium: Zu jeder Baumtopologie werden die Kantenlängen so bestimmt, dass die die gegebenen Distanzen von Blatt zu Blatt möglichst gut approximieren (im Sinne kleinster Quadrate). Optimal ist die Baumtopologie - mit kleinstem quadratischen Fehler (bei least squares) - mit kleinster Gesamtlänge (bei minimum evolution) Vorteile optimalitäts-basiert ( Lösungen können vergleichend evaluiert werden) schneller als merkmals-basierte Methoden Nachteile: langsamer als lustering-methoden NJ und UPGMA 25
26 Ausgewählte Methoden im Überblick ALGORITHMUS BASIERT AUF einem Optimalitätskriterium lusteringverfahren ART DER DATEN Merkmale Distanzen PARSIMONY (Sparsamkeit) MAXIMUM LIKELIHOOD MINIMUM EVOLUTION LEAST SQUARES (kleinste Quadrate) UPGMA NEIGHBOR-JOINING lustering-methoden: + Distanzen können auf unterschiedliche Arten gewonnen werden + die schnellsten Baumrekonstruktionsmethoden + universell einsetzbar (auch außerhalb der Phylogenetik) + wenn die Distanzen es zulassen (ultrametrisch oder additiv sind), liefern die Algorithmen den richtigen Baum, sonst einen gut passenden 26
27 Ausgewählte Methoden im Überblick ALGORITHMUS BASIERT AUF einem Optimalitätskriterium lusteringverfahren ART DER DATEN Merkmale Distanzen PARSIMONY (Sparsamkeit) MAXIMUM LIKELIHOOD MINIMUM EVOLUTION LEAST SQUARES (kleinste Quadrate) UPGMA NEIGHBOR-JOINING lustering-methoden: liefern immer genau einen Baum, auch bei unsinnigen Distanz-Daten verschiedene Lösungen können nicht anhand eines Kriteriums verglichen werden Problem, dass eine unsinnige Lösung berechnet wurde, wird möglicherweise gar nicht erkannt 27
28 UPGMA: Unweighted Pair Group Method using Averaging Gesucht / Ausgabe: Baumtopologie, Kantenlängen Verfahren: Solange mehr als ein Objekt vorhanden ist: Finde das Paar (x,y) von Objekten mit kleinster Distanz Erzetze sie durch ein einziges Objekt {x,y} Berechne Distanzen von {x,y} zu den anderen Objekten a,..., mittels Durchschnittbildung zwischen d(x,a) und d(y,a) Der Baum ergibt sich aus der Hierarchie der zusammengefassten Objekte. Vorteile einfach zu verstehen, einfach durchzuführen liefert korrektes Resultat bei ultrametrischen Distanzen, d.h. wenn es einen ultrametrischen Baum gibt, der die gegebenen Distanzen als Distanzen zwischen den Blätten aufweist, wird dieser (schnell) gefunden. Nachteile: Ergebnisse schlecht interpretierbar bei nicht ultrametrischen Eingabe-Distanzen 28
29 NJ: Neighbor Joining Gesucht / Ausgabe: Baumtopologie, Kantenlängen Verfahren: Ähnlich wie bei UPGMA, aber die Wahl des zu aggregierenden Objektpaars ist sorgfältiger: Es werden alle Distanzen berücksichtigt, nicht nur die kleinste. Der Baum ergibt sich aus der Hierarchie der zusammengefassten Objekte. Vorteile liefert korrektes Resultat bei additiven Distanzen, d.h. wenn es einen (ungewurzelten) Baum gibt, der die gegebenen Distanzen als Distanzen zwischen den Blätten aufweist, wird dieser (schnell) gefunden. erlaubt viele Varianten mit unterschiedlichen Eigenschaften Nachteile: Ergebnisse schlecht interpretierbar bei nicht additiven Eingabe-Distanzen 29
30 Persönliche Empfehlung: Welche Methode soll ich benutzen? Distanzbasierte Methoden sind schnell und funktionieren meist gut, wenn das richtige Distanz-Modell verwendet wurde. Es empfiehlt sich, eine NJ-Variante zu benutzen, nicht UPGMA. Probabilistische Methoden (ML, Bayes'sche Methoden) sind langsam (auch diese Problemformulierung ist NP-schwer), aber können bei richtiger Wahl des Evolutionsmodells bessere Ergebnisse liefern. Sie berechnen außerdem Alternativen und relative Konfidenzwerte. Parsimony-Methoden unterschätzen den wahren evolutionären Abstand, denn sie suchen nach der sparsamsten Erklärung für Unterschiede. Nur in Ordnung bei sehr nah verwandten Sequenzen. Man bekommt keine Zeitschätzungen. Parsimony ist NP-schwer und benötigt viel Zeit für exakte Lösungen. 30
31 Software-Sammlung Phylogenetik Umfangreiche Sammlung phylogenetischer Software: Phylip: das am häufigsten benutzte Paket zum Erstellen von Phylogenien, enthält zahlreiche Einzelprogramme für verschiedene Aufgaben Projekt-Homepage: Web-Interface zu einer Teilmenge von Phylip + mehr: 31
32 Ende 32
33 Vertiefungsthemen Details zu den einzelnen Algorithmen Distanzberechnung im Jukes-antor und Kimura-Modell Robustheit geschätzter Bäume: Bootstrap 33
Einführung 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
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
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:
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-
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
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
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
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 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 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
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
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,
MehrBioinformatik. Distanzbasierte phylogenetische Algorithmen. Ulf Leser Wissensmanagement in der. Bioinformatik
Bioinformatik Distanzbasierte phylogenetische Algorithmen Ulf Leser Wissensmanagement in der Bioinformatik Phylogenetische Bäume Stammbaum (Phylogenetic Tree) Ulf Leser: Algorithmische Bioinformatik, Wintersemester
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
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
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
MehrPhylogenetische Rekonstrukion Sparsamkeits- und Abstandsmethoden 5. Juli 2012
Merle Erpenbeck Phylogenetische Rekonstrukion Sparsamkeits- und Abstandsmethoden 5. Juli 202 Seminarausarbeitung im Seminar Mathematische Biologie vorgelegt von Merle Erpenbeck Matrikelnummer: 5896 Betreuer:
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
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
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
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
MehrEvolutionsbiologie 1 Phylogenetik Sebastian Höhna
Evolutionsbiologie 1 Phylogenetik Sebastian Höhna Division of Evolutionary Biology Ludwig-Maximilians Universität, München Phylogenese, Phylogenie, Phylogenetik Definition (Wikipedia): Phylogenese (altgriechisch
MehrAufgabe 7: Distanzbasierte Phylogenie: Neighbor Joining. Stefan Kröger, Philippe Thomas Wissensmanagement in der Bioinformatik
Aufgabe 7: Distanzbasierte Phylogenie: Neighbor Joining Stefan Kröger, Philippe Thomas Wissensmanagement in der Bioinformatik Daten Wir verwenden neue Daten Die müssen sie ausnahmsweise selber suchen DNA-Sequenzen
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (18 Bäume: Grundlagen und natürliche Suchbäume) Prof. Dr. Susanne Albers Bäume (1) Bäume sind verallgemeinerte Listen (jedes Knoten-Element kann mehr
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
MehrPart A: Eine Hypothese der Verwandtschaft von Primaten anhand von morphologischen Merkmalen
Ihre Namen: Übung 3: Phylogenetik II: Übungsaufgaben This exercise will help youin dieser Übung werden Sie lernen: dass phylogenetische Bäume testbare Hyptohesen sind wie evolutionäry Abstammung anhand
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
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2010
MehrAlgorithmen auf Sequenzen
Algorithmen auf Sequenzen Vorlesung von Prof. Dr. Sven Rahmann im Sommersemester 2008 Kapitel 6 Alignments Webseite zur Vorlesung http://ls11-www.cs.tu-dortmund.de/people/rahmann/teaching/ss2008/algorithmenaufsequenzen
MehrMolekulare Phylogenie
Molekulare Phylogenie Grundbegriffe Methoden der Stammbaum-Rekonstruktion Thomas Hankeln, Institut für Molekulargenetik SS 2010 Grundlagen der molekularen Phylogenie Evolution äußert sich durch Veränderungen
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
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
MehrAufgabe 6: Distanzbasierte Phylogenie: Hierarchisches Clustering. Ulf Leser Wissensmanagement in der Bioinformatik
Aufgabe 6: Distanzbasierte Phylogenie: Hierarchisches Clustering Ulf Leser Wissensmanagement in der Bioinformatik Daten Wir verwenden neue Daten Die müssen sie ausnahmsweise selber suchen DNA-Sequenzen
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 13 (6.6.2018) Graphenalgorithmen II Yannic Maus Algorithmen und Komplexität Repräsentation von Graphen Zwei klassische Arten, einen Graphen
MehrPhylogenetischen Systematik
Grundlagen der Phylogenetischen Systematik Johann-Wolfgang Wägete Verlag Dr. Friedrich Pfeil München, Juli 2000 ISBN 3-931516-73-3 Einleitung 9 1 Wissenschaftstheoretische Grundlagen 11 1.1 Was ist»erkenntnis«?
MehrIhre Namen: Übung C: Phylogenetik I: Übungsaufgaben
Ihre Namen: Übung C: Phylogenetik I: Übungsaufgaben Die heutige Übung dient dazu, phylogenetische Bäume für Sie verständlicher zu machen und Sie mit der Logik von phylogenetischen Analysen vertraut zu
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
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
MehrÜbungen zur Vorlesung Algorithmische Bioinformatik
Übungen zur Vorlesung Algorithmische Bioinformatik Freie Universität Berlin, WS 2006/07 Utz J. Pape Johanna Ploog Hannes Luz Martin Vingron Blatt 6 Ausgabe am 27.11.2006 Abgabe am 4.12.2006 vor Beginn
MehrMafI I: Logik & Diskrete Mathematik (F. Hoffmann)
Lösungen zum 14. und letzten Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (F. Hoffmann) 1. Ungerichtete Graphen (a) Beschreiben Sie einen Algorithmus, der algorithmisch feststellt, ob
MehrDatenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Übungsblatt 10 Abgabe: Montag, 08.07.2013, 14:00 Uhr Die Übungen sollen in Gruppen von zwei bis drei Personen bearbeitet werden. Schreiben Sie die Namen jedes
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Eulertouren, 2-Zusammenhang, Bäume und Baumisomorphismen Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 22. Mai 2011 Outline
MehrKapitel 1: Fallstudie Bipartite Graphen Gliederung der Vorlesung
Kapitel : Fallstudie Bipartite Graphen Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und. Minimal spannende Bäume. Kürzeste Wege 6. Traveling Salesman
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,
MehrPhylogenetische Bäume
Phylogenetische Bäume Hauptseminar AfS Algorithmen der Bioinformatik Andreas Brieg Ilmenau, 06.07.2007 Phylogenetische Bäume Gliederung Einleitung Distanzbasierte Methoden Ultrametriken und ultrametrische
MehrAllgemeine Aufgabenstellung. Ziele
Allgemeine Aufgabenstellung Sie (s)wollen die Phylogenie der Vertebraten mit Hilfe molekulare Daten ergründen. Insbesondere interessiert Sie die Verwandtschaft der Primaten; aber auch tiefere Verzweigungen
MehrKlausur SoSe Juli 2013
Universität Osnabrück / FB6 / Theoretische Informatik Prof. Dr. M. Chimani Informatik D: Einführung in die Theoretische Informatik Klausur SoSe 2013 11. Juli 2013 (Prüfungsnr. 1007049) Gruppe: Batman,
MehrDie Maximum-Likelihood-Methode
Vorlesung: Computergestützte Datenauswertung Die Maximum-Likelihood-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
MehrAlgorithmische Bioinformatik
FREIE UNIVERSITÄT BERLIN Fachbereich Mathematik und Informatik Institut für Informatik (WE 3) FU BERLIN Freie Universität Berlin FB Mathematik und Informatik, Institut für Informatik, Takustr. 9, D-14195
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
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,
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?
MehrAlgorithmische Bioinformatik
Algorithmische Bioinformatik Einführung in die Phylogenie (lat.: phylum = Stamm) Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Stammbäume Phylogenetische Bäume Evolutionsmodell
MehrPhylogenien und Methoden zu ihrer Rekonstruktion. Seminar Bioinformatik: Algorithmische und statistische Verfahren der strukturellen Genomanalyse
1 Phylogenien und Methoden zu ihrer Rekonstruktion Seminar Bioinformatik: Algorithmische und statistische Verfahren der strukturellen Genomanalyse Übersicht 2 Geschichte und Beispiele Darwin und Kreationismus
MehrVorlesung 2: Graphentheorie
Vorlesung 2: Graphentheorie Markus Püschel David Steurer Peter Widmayer Algorithmen und Datenstrukturen, Herbstsemester 2017, ETH Zürich Funktionsgraph bekannt aus der Schule hat aber leider nichts mit
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
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,
MehrDieser Graph hat 3 Zusammenhangskomponenten
Vl 2, Informatik B, 19. 04. 02 1.1.3 Definitionen und wichtige Graphen Sei im folgenden G =(V;E) ein schlichter ungerichteter Graph. Definition: Der Grad eines Knoten v in einem ungerichteten Graphen ist
MehrFernstudium "Molekulare Evolution" Bernhard Lieb Michael Schaffeld. Institut für Zoologie Universität Mainz
Fernstudium "Molekulare Evolution" ernhard Lieb Michael Schaffeld Institut für Zoologie Universität Mainz 1 Ziel des Kurses Wie erhalte ich aus meinen (Sequenz-) aten einen Stammbaum, und was sagt mir
MehrDas Problem des Handlungsreisenden
Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme
Mehra) Fügen Sie die Zahlen 39, 38, 37 und 36 in folgenden (2, 3)-Baum ein:
1 Aufgabe 8.1 (P) (2, 3)-Baum a) Fügen Sie die Zahlen 39, 38, 37 und 36 in folgenden (2, 3)-Baum ein: Zeichnen Sie, was in jedem Schritt passiert. b) Löschen Sie die Zahlen 65, 70 und 100 aus folgendem
MehrBayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (1) 1 / 22 Gliederung 1 Unsicheres Wissen 2 Schließen
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
MehrAlgorithmische Bioinformatik
Algorithmische Bioinformatik Character-basierte Phylogenie Ulf Leser Wissensmanagement in der Bioinformatik Ziel dieser Vorlesung Grundprinzip der Maximum Parsimony Idee erkennen und bewerten können Verfahren
MehrGraphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 25. Oktober 2007 1 / 20 2 / 20 Wir werden Optimierungsprobleme vom folgenden Typ betrachten: gegeben eine Menge X und eine Funktion
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Datenstrukturen: Anordnung von Daten, z.b. als Liste (d.h. in bestimmter Reihenfolge) Beispiel: alphabetisch sortiertes Wörterbuch... Ei - Eibe - Eidotter... als Baum (d.h.
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
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,
MehrHomologie und Sequenzähnlichkeit. Prof. Dr. Antje Krause FH Bingen 06721 / 409 253 akrause@fh-bingen.de
Homologie und Sequenzähnlichkeit Prof. Dr. Antje Krause FH Bingen 06721 / 409 253 akrause@fh-bingen.de Homologie Verwandtschaft aufgrund gleicher Abstammung basiert auf Speziation (Artbildung): aus einer
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
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie Dipl-Math. Wolfgang Kinzner 2.4.2012 Kapitel 1: Grundlagen der algorithmischen Graphgentheorie
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,
MehrPhysik der sozio-ökonomischen Systeme mit dem Computer. 7. Vorlesung
Physik der sozio-ökonomischen Systeme mit dem Computer PC-POOL RAUM 01.120 JOHANN WOLFGANG GOETHE UNIVERSITÄT 01.12.2017 7. Vorlesung MATTHIAS HANAUSKE FRANKFURT INSTITUTE FOR ADVANCED STUDIES JOHANN WOLFGANG
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Bäume & Graphen Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr, o.n.v. Sommersemester
MehrWie wird ein Graph dargestellt?
Wie wird ein Graph dargestellt? Für einen Graphen G = (V, E), ob gerichtet oder ungerichtet, verwende eine Adjazenzliste A G : A G [i] zeigt auf eine Liste aller Nachbarn von Knoten i, wenn G ungerichtet
MehrINTERVALLBÄUME. Tanja Lehenauer, Besart Sylejmani
INTERVALLBÄUME Tanja Lehenauer, Besart Sylejmani Datenstrukturen in der Informatik Baumstrukturen Warum Intervallbäume? Centered Interval Tree Konstruktion Suchen eines Punktes Suchen eines Intervalls
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Graphische Modelle iels Landwehr Überblick: Graphische Modelle Graphische Modelle: Werkzeug zur Modellierung einer Domäne mit verschiedenen
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;
MehrAlgorithmen und Datenstrukturen (Informatik II) SS Klausur
Lehrstuhl für Algorith. und Datenstrukturen Prof. Dr. Hannah Bast Axel Lehmann Algorithmen und Datenstrukturen (Informatik II) SS 2013 http://ad-wiki.informatik.uni-freiburg.de/teaching Klausur Mittwoch
MehrNatürliche Bäume. (Algorithmen und Datenstrukturen I) Prof. Dr. Oliver Braun. Letzte Änderung: :16. Natürliche Bäume 1/16
Natürliche Bäume (Algorithmen und Datenstrukturen I) Prof. Dr. Oliver Braun Letzte Änderung: 18.03.2018 18:16 Natürliche Bäume 1/16 Bäume Begriffe (1/2) Bäume sind verallgemeinerte Listenstrukturen ein
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 22 (20.7.2016) Greedy Algorithmen - Datenkompression Algorithmen und Komplexität Greedy Algorithmen Greedy Algorithmen sind eine Algorithmenmethode,
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
MehrA Berlin, 10. April 2017
A Berlin, 10. April 2017 Name:... Matr.-Nr.:... Wiederholung der schriftlichen Prüfung zur Vorlesung Diskrete Strukturen (Niedermeier/Molter/Froese, Wintersemester 2016/17) Einlesezeit: 15 Minuten Bearbeitungszeit:
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
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
MehrClausthal C G C C G C. Informatik II Bäume. G. Zachmann Clausthal University, Germany Beispiele. Stammbaum.
lausthal Informatik II Bäume. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Beispiele Stammbaum. Zachmann Informatik - SS 0 Bäume Stammbaum Parse tree, Rekursionsbaum Unix file hierarchy
MehrZusammenfassung des 2. Abends
lgorithmen in der iologie r. Hans-Joachim öckenhauer r. ennis Komm Zusammenfassung des. bends Zürich, 0. pril 0 lignment-verfahren Für einen Überblick über die lignment-lgorithmen zur estimmung der Ähnlichkeit
MehrGrundlagen der Theoretischen Informatik
1 Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Wintersemester 2014/15 2 Notation für Wörter w a is die Anzahl der Vorkommen von
MehrSachrechnen/Größen WS 14/15-
Kapitel Daten & Wahrscheinlichkeit 3.1 Kombinatorische Grundlagen 3.2 Kombinatorik & Wahrscheinlichkeit in der Grundschule 3.3 Daten Darstellen 3.1 Kombinatorische Grundlagen Verschiedene Bereiche der
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
MehrInformatik II: Algorithmen & Datenstrukturen. Blättern Sie nicht um bevor Sie dazu aufgefordert werden!
Albert-Ludwigs-Universität Institut für Informatik Prof. Dr. F. Kuhn Informatik II: Algorithmen & Datenstrukturen Montag, 29. August, 2014, 14:00 17:00 Name:...........................................................
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrAlgorithmen und Datenstrukturen Übung #4 BFS/DFS, Wachstum von Funktionen
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Algorithmen und Datenstrukturen Übung #4 BFS/DFS, Wachstum von Funktionen Christian Rieck, Arne Schmidt 22.11.2018 Heute 12 Breiten-
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Joachim Schauer Betriebliche Optimierung 1 / 31 1 Metaheuristische Verfahren 2 Joachim Schauer Betriebliche Optimierung 2 / 31 Einleitendes Metaheuristische Verfahren
MehrDigraphen, DAGs und Wurzelbäume
Digraphen (gerichtete Graphen) Slide 1 Digraphen, DAGs und Wurzelbäume Digraphen (gerichtete Graphen) Slide 2 Eingangs- und Ausgangsgrad Bei einer gerichteten Kante e = (u,v) E heißt u Startknoten von
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrKapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2017/18. Pro f. Dr. Sán do r Fe k e te
Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2017/18 Pro f. Dr. Sán do r Fe k e te 1 Binärer Suchbaum Außerdem wichtig: Struktur der Schlüsselwerte! 2 Ordnungsstruktur Linker
Mehr