A mai el!adás. Bioinformatika és genom analízis az orvostudományban (AOGENBIG_1M) Mi a bioinformatika? Pontosítjuk a definíciót
|
|
- Liliána Bodnár
- 5 évvel ezelőtt
- Látták:
Átírás
1 Bioinformatika és genom analízis az orvostudományban (AOGENBIG_1M) Miklós István SOTE, szeptember 11. A mai eladás Mi a bioinformatika? Kik a bioinformatikusok? A bioinformatika oktatása a világban és Magyarországon A bioinformatika története A bioinformatikai gondolkodás A kurzus ismertetése Magamról Els definíció: Mi a bioinformatika? Bioinformatika = + informatika, azaz bioinformatika minden olyan biológiai kutatás, amely számítógép segítségével történik Problémák: Ma már mindenhol elterjedt a számítógépek használata, így gyakorlatilag minden biológiai kutatás bioinformatika lenne Miért külön tudományág? Miért nincs pl. hisztoinformatika? Pontosítjuk a definíciót A biológiában, és ezen belül különösképpen a biokémiában olyan mérték" adatmennyiség keletkezik, amelynek a feldolgozása, értelmezése, tárolása számítógépek nélkül lehetetlen lenne. Ezen feladatokat végzi el a bioinformatika Tény: A csillagászatban sokkal több mérési adat keletkezik, mint a biológiában. Kérdés: Miért nincs asztroinformatika? : pl.: Kepler törvények, Maxwell egyenletek : pl: Centrális dogma? : pl.: Kepler törvények, Maxwell egyenletek : pl: Centrális dogma?
2 : pl.: Kepler törvények, Maxwell egyenletek : pl: Centrális dogma? : pl.: Kepler törvények, Maxwell egyenletek : pl: Centrális dogma? : pl.: Kepler törvények, Maxwell egyenletek : pl: Centrális dogma? : pl.: Kepler törvények, Maxwell egyenletek : pl: Centrális dogma? Szabályozás Szabályozás : pl.: Kepler törvények, Maxwell egyenletek : pl: Centrális dogma? : pl.: Kepler törvények, Maxwell egyenletek : pl: Centrális dogma? Szabályozás Peptid Szabályozás ` Peptid + Epigenetika glikolizáció, stb.
3 Az adatok valós számokkal mérhetek Diszkrét, kombinatorikus adatok (zömével...) : Égitestek tömege, fényessége, sugárzás hullámhossza, stb. : Dönt többségében szekvenciális adatok Kisebb mértékben gráfok (biokémiai útvonalak, kölcsönhatásgráfok, leszármazási viszonyok) Egyre növekv mértékben valós számokkal leírható adatok, pl. expressziós mintázat. Az entitások közötti kölcsönhatások világosak Kismérték" perturbáció nem okoz dramatikus eltérést Klasszikus példa: Sarlós-sejtes vérszegénység: 1 VHLTP E EKSAVTALWGKVNVDEVGGE 26 V Sok kölcsönhatás nem ismert A kölcsönhatások bonyolultak, kis változás is okozhat nagy eltérést Mi tehát a bioinformatika? Kik a bioinformatikusok? A modern biokémia korszakában olyan mennyiség" és a hagyományos adatoktól eltér minség" adat keletkezik, amelynek a feldolgozására, értelmezésére és tárolására új matematikai, statisztikai, algoritmikai és számítástechnikai eljárásokat kellett kidolgozni. Ez a bioinformatika. It is hard for me to say confidently that, after fifty more years of explosive growth of computer science, there will still be a lot of fascinating unsolved problems at peoples' fingertips, that it won't be pretty much working on refinements of well-explored things. Maybe all of the simple stuff and the really great stuff has been discovered. It may not be true, but I can't predict an unending growth. I can't be as confident about computer science as I can about biology. Biology easily has 500 years of exciting problems to work on, it's at that level. Donald E. Knuth Bioinformatikus technikus A felhasználó Tudja a szoftvereket használni Értse, hogy mit csinál Legyen tisztában a módszerek korlátaival Interpretálni tudja a biológusok elvárásait az informatikusoknak Önállóan nem felsfokú végzettség, de lassan minden (biológus) felsfokú végzettséghez kell. Bioinformatikus mérnök Az új metódusok kidolgozója Írjon szoftvereket Gyártson algoritmusokat Legyen tisztában a matematikai modellek biológiai hátterével Legyen nyitott a biológusok új igényeire Önálló felsfokú végzettség, de alapkutatás alapja, kollaborációk nélkül haszontalan. A világban: A bioinformatika oktatása Bioinformatikus technikus képzések: Nagyon elterjedt Zömében egységes tananyag Biológus igényeknek megfelelen Bioinformatikus mérnök képzések: Spóradikus (persze világméretben ez is sok iskolát jelent) Minden iskola saját témára helyezi a hangsúlyt Általában informatikusok, matematikusok, statisztikusok Magyarországon: A bioinformatika oktatása Bioinformatikus technikus képzések, hivatalos kurzusok: Debrecen Szeged (Pongor S.,... ) Budapest, Pázmány P. (Závodszky P.,... ) Budapest, ELTE + Szent István egyetem (Pónyi T., Barta E., Tóth G.) SOTE: ez a kurzus stb... Bioinformatikus mérnök képzések, speciálkollégiumok: ELTE, i Fizika TSz. (hálózatok) ELTE, Növényrendszertani TSz. (evolúciógenetikai aspektusok, sztochasztikus modellek, Monte Carlo módszerek)???
4 A bioinformatika története A bioinformatika története 1941,Sturtevant, Novitski: The homologies of chromosome elements in the genus Drosophila. 1953: Watson-Crick, DNS szerkezete, 1965: Pauling, Molecules as Documents of Evolutionary History 1969: Jukes-Cantor modell 1970: Needleman-Wunch, biológiai szekvenciaillesztés 1973, 1975: Sankoff: többszörös szekvenciaillesztés 1978: Nussinov algoritmusa RNS térszerkezetekre 1984: Hogeweg and Hesper, The alignment of sets of sequences and the construction of phyletic trees: an integrated method. ; 1987: Profile szekvenciaillesztés, 1988: Clustal 1992: Sztochasztikus modellek, HMMs 1993: Fodor et al. DNS chip 1999: Barabási-Albert modell Wolfe KH, Li WH. (2003). Molecular evolution meets the genomics revolution. Nat Genet Mar; 33 Suppl: A bioinformatikai gondolkodás I. Legegyszer"bb példa: keresés egy telefonkönyvben A bioinformatikai gondolkodás I. Szekvenciaillesztés Naív algoritmus Sorban haladunk... Aba Ágnes Aba Béla Aba Ferencné... Gyors algoritmus Intervallumfelez A-M vagy N-Z? A-F vagy G-M? Stb A lehetségek száma drámaian n A bioinformatikai gondolkodás I. Naív algoritmus: Megnézi az összes lehetséget. Szofisztikált algoritmus: Az optimális megoldást valamilyen cseles úton találja meg (az okos algoritmus sem nézi meg az összes nevet a telefonkönyben) Az algoritmusok futási idejét a bemen adatok függvényeként is megadhatjuk Gyors algoritmusok: O(n): Kétszer annyi adatot kétszer annyi id alatt elemez. O(n 2 ): Kétszer annyi datot négyszer annyi id alatt elemez. Lassú algoritmusok: O(2 n ): Eggyel növelve a bemen adat mennyiségét, a futási id kétszeresére n. A bioinformatikai gondolkodás I. Heurisztikus algoritmusok: Gyorsabb, mint a nem heurisztikus algoritmus. Nem garantált, hogy az optimális megoldást kapjuk meg, de általában értelmes megoldást kapunk. Példák: BLAST: Kb. O(n) futási id O(n 2 ) helyett (1000 aminosavból álló szekvenciák esetén ezerszer gyorsabb) Többszörös szekvenviaillesztés: Bizonyítottan nincs optimális gyors algoritmus Iteratív szekvenciaillesztés: Clustal, T-COFFEE, stb. Ez így inkább érthet, mint precíz megfogalmazás...
5 A bioinformatikai gondolkodás I. Mit kell egy bioinformatikus technikusnak (is) tudnia egy algoritmusról? Mennyi az algoritmus futási ideje Meg tudja becsülni hogyan változik a futási id az adatmennyiség növelésével Az algoritmus egzakt vagy heurisztikus megoldást jelent-e? Általában az algoritmikai problémákról tudni kell, hogy: Lehetségek száma " futási id Vannak olyan problémák, amelyek egzakt megoldására nem lehet gyors algoritmust megadni, csak heurisztikus algoritmust A bioinformatikai gondolkodás II. Egy marslakó embereket akar tanulmányozni. Kér egy modellt egy divatterveztl és egy gyógyszerkutatótól... A divattervez egy viaszbábut küld, a gyógyszerkutató egy egeret. A két modellben csak a bajszuk a közös... Miért nem fog semmit sem megtudni az emberekrl a marslakó? A bioinformatikai gondolkodás II. Egy marslakó embereket akar tanulmányozni. Kér egy modellt egy divatterveztl és egy gyógyszerkutatótól... A divattervez egy viaszbábut küld, a gyógyszerkutató egy egeret. A két modellben csak a bajszuk a közös... Miért nem fog semmit sem megtudni az emberekrl a marslakó? Mert nem tudja, hogy a modell a valóság mely aszpektusát modellezi A bioinformatikai gondolkodás II. Példa: Szekvenciaillesztés: 1 MRRLLICLMLTVLAGCAQQQQPPKDDSLYRDLGQRAGIQRIVEGMLMNVARDDRIVERFK 2 MLSTAHRDIIKATVPILETGGEALTTHFYRIMLN--DYPQVRP--LFNQANQANGAQPRA ::... :. : : :. :: :.:..: A mutációk egymástól függetlenek Nincs letális mutáció Nincsenek tiltott motívumok Nincsenek térbeli kölcsönhatások, korrelációk Nyílván ezen állítások egyike sem igaz, de ezt kell feltételezni ahhoz, hogy gyors algoritmusunk legyen. A bioinformatikai gondolkodás II. Minden modell rossz, de némelyik használható... Az örökké fejld tudomány és a bioinformatika kapcsolata Model Predikció Tesztelés A bioinformatikában a körforgás minden egyes lépésére önálló tudományág épül i megfigyel ések Tudásábrázolás Adatbázisok Predikciók Adatbányászat
6 A bioinformatikai gondolkodás III. A bioinformatikai gondolkodás III. A Rosetta-k Törvények három nyelven. Központi hipotézis: a struktúra konzervatívabb, mint a szekvencia Amikor megtalálták, csak az ógörög és az egyiptomi alfabetikus írás volt ismert, a hielográfiák nem. A hielografikus írást a különböz írások összehasonlításával fejtették meg. si szekvencia struktúrafügg evolúció A változásokból következtetünk a struktúrára modern szekvencia A bioinformatikai gondolkodás III. Központi hipotézis: a struktúra konzervatívabb, mint a szekvencia A bioinformatikai gondolkodás III. Központi hipotézis: a struktúra konzervatívabb, mint a szekvencia si szekvencia struktúrafügg evolúció modern szekvencia si szekvencia struktúrafügg evolúció modern szekvencia A változásokból következtetünk a struktúrára A változásokból következtetünk a struktúrára Egy szekvencia: Egy szekvencia: Két szekvencia: DEFYTHISPSQALISCAMPLETELYIHIDDENYWAE A bioinformatikai gondolkodás III. Központi hipotézis: a struktúra konzervatívabb, mint a szekvencia A bioinformatikai gondolkodás IV. Korunk paradigmaváltása Több tényez együtthatása si szekvencia struktúrafügg evolúció A változásokból következtetünk a struktúrára modern szekvencia D NS chip Lehetvé vált egyszerre sok gén expressziójának vizsgálata Barabási-Albert modell, scale-free gráfok Matematikusok érdekldnek a hálózatok iránt Egy szekvencia: Két szekvencia, elemezve DEFYTHISPSQALISCAMPLETELYIHIDDENYWAE Els genomprojectek befejezése, rájöttünk, hogy (majdnem) semmit sem értünk Igény új gyógyszertargetek iránt -> fel kell fedezni az ismeretlen fehérjéket
7 A bioinformatikai gondolkodás IV. Korunk paradigmaváltása A bioinformatikai gondolkodás IV. Korunk paradigmaváltása Hagyományos megközelítés: Hipotézis, prekoncepció Hagyományos megközelítés: Hipotézis, prekoncepció tudásanyag hagyomány divat grant-climate Kisérlet, eredmények tudásanyag hagyomány divat grant-climate Kisérlet, eredmények Genomikai megközelítés: Génvadászat prekoncepció-mentes A bioinformatikai gondolkodás IV. Korunk paradigmaváltása A kurzus tematikája Tudományos eljárás prekoncepciók alapján 1. Állapot (egészséges) 2. Állapot (daganatos) Molekula A Molekula B Molekula C Molekula D Molekula E Molekula X Molekula A Molekula B Molekula C Molekula D Molekula E Molekula X Tudományos eljárás prekoncepciók nélkül: génhalászat 1. egészséges 2. daganatos (eltérés) Információkeresés az adatbázisokban I. Információkeresés az adatbázisokban II. Szekvencia-összehasonlítások. Hasonlósági keresések szekvencia-adatbázisokban Molekuláris filogenetikai elemzések Single Nucleotide Polymorphism Struktúrák predikciója biológiai szekvenciákban Genom szint" mutációk Hálózatok Génexpressziós elemzések. Betegséggének. Pathogének Genetikai adat- etikai, jogi aspektusok miklosi@ramet.elte.hu Algoritmuselmész: Magamról Lunter G.A., Miklós, I., Song, Y.S. & Hein, J. (2003) An efficient algorithm for statistical multiple alignment on arbitrary phylogenetic trees J. Comp. Biol. 10(6): Miklós, I. (2002) An improved algorithm for statistical alignment of sequences related by a star tree. Bul Math. Biol. 64(4): Sztochasztikus modellez, statisztikus: Miklós, I., Lunter, G. A. & Holmes, I. (2004) A 'long indel' model for evolutionary sequence alignment. Mol. Biol. Evol., 21(3): Miklós, I., Ittzés, P. & Hein, J. (2005) ParIS Genome Rearrangement Server Bioinformatics, 21(6): Lunter, G.A., Miklós, I., Drummond, A., Jensen, J.L., & Hein, J. (2005) Bayesian Coestimation of Phylogeny and Sequence Alignment BMC Bioinformatics, 6:83. RNS térszerkezetelemz: Meyer, I.M. & Miklós, I. (2004) Co-transcriptional folding is encoded within RNA genes. BMC Molecular Biology, 5:10 Miklós, I., Meyer, I.M. & Nagy, B. (2005) Moments of the Boltzmann distribution for RNA secondary structures Bul. Math. Biol., 67(5): Köszönetnyílvánítás Patthy László: Pevzner (2004) bioinformatics cikk, bioinformatikus technikus vs. mérnök Simon István: Asztroinformatika vs. Bioinformatika Richard Durbin: Komparatív bioinformatika Falus András: Korunk paradigmaváltása a bioinformatikában
8 Ajánlott olvasmányok Pevzner, P (2004) Educating biologists in the 21st century: bioinformatics scientists versus bioinformatics technicians. Bioinformatics 20(14): Wolfe, K. H. & Li, W-H. (2003) Molecular evolution meets the genomic revolution. Nature Genetics 33:
Bakteriális identifikáció 16S rrns gén szekvencia alapján
Bakteriális identifikáció 16S rrns gén szekvencia alapján MOHR ANITA SIPOS RITA, SZÁNTÓ-EGÉSZ RÉKA, MICSINAI ADRIENN 2100 Gödöllő, Szent-Györgyi Albert út 4. info@biomi.hu, www.biomi.hu TÖRZS AZONOSÍTÁS
RészletesebbenOrvosi Genomtudomány 2014 Medical Genomics 2014. Április 8 Május 22 8th April 22nd May
Orvosi Genomtudomány 2014 Medical Genomics 2014 Április 8 Május 22 8th April 22nd May Hét / 1st week (9. kalendariumi het) Takács László / Fehér Zsigmond Magyar kurzus Datum/ido Ápr. 8 Apr. 9 10:00 10:45
RészletesebbenSemmelweis Egyetem / Élettani Intézet / Budapest. Bioinformatika és genomanalízis az orvostudományban. Bevezetés. Cserző Miklós 2018
Bioinformatika és genomanalízis az orvostudományban Bevezetés Cserző Miklós 2018 A mai előadás A kurzus menete Hol találkozunk bioinformatikával Mi a bioinformatika Miért van bioinformatika A számítógépekről
RészletesebbenGenomadatbázisok Ld. Entrez Genome: Összes ismert genom, hierarchikus szervezésben (kromoszóma, térképek, gének, stb.)
Genomika Új korszak, paradigmaváltás, forradalom: a teljes genomok ismeretében a biológia adatokban gazdag tudománnyá válik. Új kutatási módszerek, új szemlélet. Hajtóerõk: Genomszekvenálási projektek
RészletesebbenGyakorlati bioinformatika
Gyakorlati bioinformatika Szekvenciaillesztés PhD kurzus 2. Szekvenciaillesztés Bagossi Péter Fajtái: - egyszer ill. többszörös illesztés - globális ill. lokális illesztés Alkalmazása: - adatbázisokban
RészletesebbenMilyen a modern matematika?
Milyen a modern matematika? Simonovits Miklós Milyen a modern matematika? p.1 Miért rossz ez a cím? Nem világos, mit értek modern alatt? A francia forradalom utánit? Általában olyat tanulunk, amit már
RészletesebbenBioinformatika és genomanalízis az orvostudományban. Biológiai adatbázisok. Cserző Miklós 2018
Bioinformatika és genomanalízis az orvostudományban Biológiai adatbázisok Cserző Miklós 2018 A mai előadás Mi az adatbázis A biológia kapcsolata az adatbázisokkal Az adatbázisok típusai Adatbázis formátumok,
RészletesebbenA tárgy címe: Bioinformatika
A tárgy címe: Bioinformatika Kötelezően választható tárgy IV. és V. évfolyamos biológus hallgatók számára; heti 2+3 óra Előkövetelmény: Biokémia főkollégium; genetika főkollégium; alapszintű számítógépes
RészletesebbenA genomikai oktatás helyzete a Debreceni Egyetemen
A genomikai oktatás helyzete a Debreceni Egyetemen Bálint Bálint L. GNTP Oktatás és Tudásmenedzsment Munkabizottság, 2009. június 10. Tények Debreceni Egyetemről 21000 nappali és 33000 összes hallgató
RészletesebbenA mai el!adás témája: Miklós István Állapot Emisszió Útvonal Legvalószín!bb útvonal (Viterbi path) Szuboptimális útvonal
Bioinformatika és genom analízis az orvostudományban (AOGENBIG_1M) Miklós István SOTE, 2008. november 6. A mai el!adás témája: Struktúrák predikciója Az összehasonlító bioinformatika alapelvei Rejtett
Részletesebben10. Genomika 2. Microarrayek és típusaik
10. Genomika 2. 1. Microarray technikák és bioinformatikai vonatkozásaik Microarrayek és típusaik Korrelált génexpresszió mint a funkcionális genomika eszköze 2. Kombinált megközelítés a funkcionális genomikában
RészletesebbenTDK lehetőségek az MTA TTK Enzimológiai Intézetben
TDK lehetőségek az MTA TTK Enzimológiai Intézetben Vértessy G. Beáta egyetemi tanár TDK mind 1-3 helyezettek OTDK Pro Scientia különdíj 1 második díj Diákjaink Eredményei Zsűri különdíj 2 első díj OTDK
RészletesebbenMiben különbözünk az egértől? Szabályozás a molekuláris biológiában
Az atomoktól a csillagokig, 2010. október 28., ELTE Fizikai Intézet Miben különbözünk az egértől? Szabályozás a molekuláris biológiában brainmaps.org Homo sapiens (Miroslav Klose) Mus musculus Farkas Illés
RészletesebbenThe nontrivial extraction of implicit, previously unknown, and potentially useful information from data.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó
RészletesebbenBevezetés a rendszerbiológiába
Bevezetés a rendszerbiológiába Papp Balázs http://group.szbk.u-szeged.hu/sysbiol/ MTA Szegedi Biológiai Központja Biokémiai Intézet Alapprobléma Ma a biológiában rengeteg adat termelődik és áll rendelkezésre.
Részletesebben0. Kurzusok tudnivalók 1. Az anyag - csak az írott anyagban 2. Az élet molekulái - csak az írott anyagban 3. Mi az Élet? 4. A Világ keletkezése 5.
0. Kurzusok tudnivalók 1. Az anyag - csak az írott anyagban 2. Az élet molekulái - csak az írott anyagban 3. Mi az Élet? 4. A Világ keletkezése 5. Az Élet keletkezése 6. Modellek a biológiában - csak az
RészletesebbenBioinformatika előadás
10. előadás Prof. Poppe László BME Szerves Kémia és Technológia Tsz. Bioinformatika proteomika Előadás és gyakorlat Genomika vs. proteomika A genomika módszereivel nem a tényleges fehérjéket vizsgáljuk,
RészletesebbenHuman genome project
Human genome project Pataki Bálint Ármin 2017.03.14. Pataki Bálint Ármin Human genome project 2017.03.14. 1 / 14 Agenda 1 Biológiai bevezető 2 A human genome project lefolyása 3 Alkalmazások, kitekintés
RészletesebbenFehérjék rövid bevezetés
Receptorfehérj rjék szerkezetének felderítése Homológia modellezés Fehérjék rövid bevezetés makromolekulák számos biológiai funkció hordozói: enzimatikus katalízis, molekula transzport, immunválaszok,
RészletesebbenMOLEKULÁRIS FILOGENETIKAI ELEMZÉSEK EGY DISZKRÉT MATEMATIKAI
Doktori értekezés tézisei MOLEKULÁRIS FILOGENETIKAI ELEMZÉSEK EGY DISZKRÉT MATEMATIKAI MÓDSZER, A BOOLE ANALÍZIS SEGÍTSÉGÉVEL Ari Eszter Dr. Jakó Éena, tudományos főmunkatárs témavezető Dr. Szathmáry Eörs,
RészletesebbenA Jövő Internet elméleti alapjai. Vaszil György Debreceni Egyetem, Informatikai Kar
A Jövő Internet elméleti alapjai Vaszil György Debreceni Egyetem, Informatikai Kar Kutatási témák Bizalmas adatok védelme, kriptográfiai protokollok DE IK Számítógéptudományi Tsz., MTA Atomki Informatikai
RészletesebbenHálózati modellek alkalmazása a molekuláris biológia néhány problémájára. Doktori (PhD) értekezés tézisei. Ágoston Vilmos
Hálózati modellek alkalmazása a molekuláris biológia néhány problémájára Doktori (PhD) értekezés tézisei Ágoston Vilmos Témavezető: Dr. Pongor Sándor SZEGED 2007 Konferencia-részvétel: Bevezetés Ágoston,
RészletesebbenMatematika MSc záróvizsgák (2015. június )
Június 23. (kedd) H45a 12.00 13.00 Bizottság: Simonovits András (elnök), Simon András, Katona Gyula Y., Pap Gyula (külső tag) 12.00 Bácsi Marcell Közelítő algoritmusok és bonyolultságuk tv.: Friedl Katalin
Részletesebben1. Az informatika alapjai (vezetője: Dr. Dömösi Pál, DSc, egyetemi tanár) Kredit
2. MELLÉKLET Az oktatási koncepciója 1. Az informatika alapjai (vezetője: Dr. Dömösi Pál, DSc, egyetemi tanár) Az informatika alapjai Tud. Min. 1 Automata hálózatok 2 V Dr. Dömösi Pál DSc 2 Automaták és
RészletesebbenProblémák és megoldások a bioinformatikában. Válogatott fejezetek a bioinformatikából. Gyimesi Gergely, 2008. február 25.
Problémák és megoldások a bioinformatikában Válogatott fejezetek a bioinformatikából Gyimesi Gergely, 2008. február 25. Mik a fontos, megoldatlan biológiai problémák? Milyen módszereket, megoldási lehetıségeket
RészletesebbenA fő egészségügyi kihívások
A fő egészségügyi kihívások Öregedés Mentális betegségek Fertőző betegségek Elhízás, diabetes Allergia, asztma Szív- és érbetegségek Autoimmun kórképek Rák Komplex betegségek Rendszerbiológia Bioinformatika,
RészletesebbenDobzhansky: In Biology nothing makes sense except in the light of Evolution.
Dobzhansky: In Biology nothing makes sense except in the light of Evolution. Az Evolúcióbiológia Története Molnár István im54@invitel.hu Mai témák 1. Mi az evolúció? 2. Hogyan alakult ki a mai evolúciós
RészletesebbenGenetikai kölcsönhatások rendszerbiológiája
Genetikai kölcsönhatások rendszerbiológiája Papp Balázs www.brc.hu/sysbiol MTA Szegedi Biológiai Kutatóközpont Biokémiai Intézet Szintetikus és Rendszerbiológiai Egység Mikrobiális rendszerbiológia főbb
RészletesebbenAz evolúció az adatok mögött
Filogenetika Az evolúció az adatok mögött Ortutay Csaba, PhD 2013 április 9 Miről lesz ma szó? Nukleotid szubsztitúciós modellek Távolság alapú módszerek UPGMA Neighbor joining Modell alapú filogenetika
RészletesebbenSemmelweis Egyetem / Élettani Intézet / Budapest. Bioinformatika és genomanalízis az orvostudományban. Szekvenciaelemzés. Cserző Miklós 2017
Bioinformatika és genomanalízis az orvostudományban Szekvenciaelemzés Cserző Miklós 2017 A mai előadás Szekvencia analízis statisztikus szempontból Annotálás homológia alapján Az annotálás szempontjai
RészletesebbenBevezetés a bioinformatikába. Harangi János DE, TEK, TTK Biokémiai Tanszék
Bevezetés a bioinformatikába Harangi János DE, TEK, TTK Biokémiai Tanszék Bioinformatika Interdiszciplináris tudomány, amely magába foglalja a biológiai adatok gyűjtésének,feldolgozásának, tárolásának,
RészletesebbenA HUMÁN GENOM PROJEKT Sasvári-Székely Mária* Semmelweis Egyetem, Orvosi Vegytani, Molekuláris Biológiai és Pathobiokémiai Intézet
A HUMÁN GENOM PROJEKT Sasvári-Székely Mária* Semmelweis Egyetem, Orvosi Vegytani, Molekuláris Biológiai és Pathobiokémiai Intézet *Levelezési cím: Dr. Sasvári-Székely Mária, Semmelweis Egyetem, Orvosi
RészletesebbenTermészetes szelekció és adaptáció
Természetes szelekció és adaptáció Amiről szó lesz öröklődő és variábilis fenotípus természetes szelekció adaptáció evolúció 2. Természetes szelekció Miért fontos a természetes szelekció (TSZ)? 1. C.R.
RészletesebbenCLUSTALW Multiple Sequence Alignment
Version 3.2 CLUSTALW Multiple Sequence Alignment Selected Sequences) FETA_GORGO FETA_HORSE FETA_HUMAN FETA_MOUSE FETA_PANTR FETA_RAT Import Alignments) Return Help Report Bugs Fasta label *) Workbench
RészletesebbenAz NMR és a bizonytalansági elv rejtélyes találkozása
Az NMR és a bizonytalansági elv rejtélyes találkozása ifj. Szántay Csaba MTA Kémiai Tudományok Osztálya 2012. február 21. a magspínek pulzus-gerjesztésének értelmezési paradigmája GLOBÁLISAN ELTERJEDT
RészletesebbenBioinformatika 2 6. előadás
6. előadás Prof. Poppe László BME Szerves Kémia és Technológia Tsz. Bioinformatika proteomika Előadás és gyakorlat 2018.10.08. PDBj: http://www.pdbj.org/ Fehérjék 3D szerkezeti adatbázisai - PDBj 2 2018.10.08.
RészletesebbenIRODALOMJEGYZÉK 67: 181: 97: 229: 190: 39: 48: 32: 16: 103: 17: 25: 12:
108 IRODALOMJEGYZÉK Adachi, J. & Hasegawa, M. (1990) Amino acid substitution of proteins coded for in mithocondrial DNA during mammalian evolution. Jpn. J. Genet. 67:187-197. Anfinsen, C.D. (1973) Principles
RészletesebbenPhenotype. Genotype. It is like any other experiment! What is a bioinformatics experiment? Remember the Goal. Infectious Disease Paradigm
It is like any other experiment! What is a bioinformatics experiment? You need to know your data/input sources You need to understand your methods and their assumptions You need a plan to get from point
RészletesebbenGerinces és növényi ortológ promóter adatbázisok fejlesztése és elemzése. Eötvös Loránd Tudományegyetem Természettudományi Kar Biológia Doktori Iskola
Doktori értekezés tézisei Gerinces és növényi ortológ promóter adatbázisok fejlesztése és elemzése Sebestyén Endre Eötvös Loránd Tudományegyetem Természettudományi Kar Biológia Doktori Iskola Vezetője:
RészletesebbenBIOINFORMATIKA Ungvári Ildikó
1 BIOINFORMATIKA Ungvári Ildikó Az elmúlt évtizedekben a molekuláris biológiai, genomikai technológiák robbanásszerű fejlődése a biológiai adatok mennyiségének exponenciális növekedéséhez vezetett. Ebben
RészletesebbenADATBÁNYÁSZAT I. ÉS OMICS
Az élettudományi-klinikai felsőoktatás gyakorlatorientált és hallgatóbarát korszerűsítése a vidéki képzőhelyek nemzetközi versenyképességének erősítésére TÁMOP-4.1.1.C-13/1/KONV-2014-0001 ADATBÁNYÁSZAT
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenGépi tanulás és Mintafelismerés
Gépi tanulás és Mintafelismerés jegyzet Csató Lehel Matematika-Informatika Tanszék BabesBolyai Tudományegyetem, Kolozsvár 2007 Aug. 20 2 1. fejezet Bevezet A mesterséges intelligencia azon módszereit,
RészletesebbenBioinformatika 2 10.el
10.el őadás Prof. Poppe László BME Szerves Kémia és Technológia Tsz. Bioinformatika proteomika Előadás és gyakorlat 2009. 04. 24. Genomikavs. proteomika A genomika módszereivel nem a tényleges fehérjéket
RészletesebbenEvolúcióbiológia. Biológus B.Sc tavaszi félév
Evolúcióbiológia Biológus B.Sc. 2011. tavaszi félév A biológiában minden csak az evolúció fényében válik érthetővé Theodosius Dobzhansky : Nothing in biology makes sense except in the light of evolution.
RészletesebbenA MOLEKULÁRIS BIOLÓGIA ISMERETÁBRÁZOLÁSI PROBLÉMÁI
Magyar Tudomány 2005/4 A MOLEKULÁRIS BIOLÓGIA ISMERETÁBRÁZOLÁSI PROBLÉMÁI Pongor Sándor a biológiai tudomány doktora, MTA Biológiai Központ, Szeged International Centre of Genetic Engineering and Biotechnology,
RészletesebbenAz orvosi biotechnológiai mesterképzés megfeleltetése az Európai Unió új társadalmi kihívásainak a Pécsi Tudományegyetemen és a Debreceni Egyetemen
Az orvosi biotechnológiai mesterképzés megfeleltetése az Európai Unió új társadalmi kihívásainak a Pécsi Tudományegyetemen és a Debreceni Egyetemen Azonosító szám: TÁMOP-4.1.2-08/1/A-2009-0011 Az orvosi
RészletesebbenIII. ATK Tudományos Nap
Magyar Tudományos Akadémia Agrártudományi Kutatóközpont III. ATK Tudományos Nap Összefoglalók Szerkesztette JANDA TIBOR 2014. november 13. Martonvásár Kiadja a Magyar Tudományos Akadémia Agrártudományi
RészletesebbenBiomolekuláris nanotechnológia. Vonderviszt Ferenc PE MÜKKI Bio-Nanorendszerek Laboratórium
Biomolekuláris nanotechnológia Vonderviszt Ferenc PE MÜKKI Bio-Nanorendszerek Laboratórium Az élő szervezetek példája azt mutatja, hogy a fehérjék és nukleinsavak kiválóan alkalmasak önszerveződő molekuláris
RészletesebbenPROGRAMFÜZET. "GENETIKAI MŰHELYEK MAGYARORSZÁGON" XIII. Minikonferencia SZEPTEMBER 12.
PROGRAMFÜZET "GENETIKAI MŰHELYEK MAGYARORSZÁGON" XIII. Minikonferencia 2014. SZEPTEMBER 12. MTA Szegedi Biológiai Kutatóközpont Szeged, Temesvári krt. 62. Az előadások helye: SZBK nagyelőadó Az előadások
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenBioinformatika előadás
Bioinformatika 2 11. előadás Prof. Poppe László BME Szerves Kémia és Technológia Tsz. Bioinformatika proteomika Előadás és gyakorlat 2016.11.28. Bioinformatics Szerkezeti genomika, proteomika, biológia
RészletesebbenBiológiai rendszerek modellellenőrzése bayesi megközelítésben
Biológiai rendszerek modellellenőrzése bayesi megközelítésben Gál Tamás Zoltán Szoftver verifikáció és validáció kiselőadás, 2013. ősz Forrás: Sumit K. Jha et al.: A Bayesian Approach to Model Checking
RészletesebbenEXKLUZÍV AJÁNDÉKANYAGOD A Phrasal Verb hadsereg! 2. rész
A Phrasal Verb hadsereg! 2. rész FONTOS! Ha ennek az ajándékanyag sorozatnak nem láttad az 1. részét, akkor mindenképpen azzal kezdd! Fekete Gábor www.goangol.hu A sorozat 1. részét itt éred el: www.goangol.hu/ajandekok/phrasalverbs
RészletesebbenTSIMMIS egy lekérdezés centrikus megközelítés. TSIMMIS célok, technikák, megoldások TSIMMIS korlátai További lehetségek
TSIMMIS egy lekérdezés centrikus megközelítés TSIMMIS célok, technikák, megoldások TSIMMIS korlátai További lehetségek 1 Információk heterogén információs forrásokban érhetk el WWW Társalgás Jegyzet papírok
Részletesebben0. Kurzusok tudnivalók 1. Az anyag - csak az írott anyagban 2. Az élet molekulái - csak az írott anyagban 3. Mi az Élet? 4. A Világ keletkezése 5.
0. Kurzusok tudnivalók 1. Az anyag - csak az írott anyagban 2. Az élet molekulái - csak az írott anyagban 3. Mi az Élet? 4. A Világ keletkezése 5. Az Élet keletkezése 6. Modellek a biológiában - csak az
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika Kar 1.3 Intézet Magyar Matematika és Informatika Intézet 1.4
RészletesebbenRobusztusság és génkölcsönhatások rendszerbiológiája. Papp Balázs
Robusztusság és génkölcsönhatások rendszerbiológiája Papp Balázs www.brc.hu/sysbiol MTA Szegedi Biológiai Központ Biokémiai Intézet Evolúciós rendszerbiológia Genomika és bioinformatika: genomi adatok
RészletesebbenBioinformatics: Blending. Biology and Computer Science
Bioinformatics: Blending Biology and Computer Science MDNMSITNTPTSNDACLSIVHSLMCHRQ GGESETFAKRAIESLVKKLKEKKDELDSL ITAITTNGAHPSKCVTIQRTLDGRLQVAG RKGFPHVIYARLWRWPDLHKNELKHVK YCQYAFDLKCDSVCVNPYHYERVVSPGI DLSGLTLQSNAPSSMMVKDEYVHDFEG
RészletesebbenGenetika. Tartárgyi adatlap: tantárgy adatai
Genetika Előadás a I. éves Génsebészet szakos hallgatók számára Tartárgyi adatlap: tantárgy adatai 2.1. Tantárgy címe Genetika 2.2. Előadás felelőse Dr. Mara Gyöngyvér, docens 2.3. Egyéb oktatási tevékenységek
RészletesebbenSemmelweis Egyetem / Élettani Intézet / Budapest. Bioinformatika és genomanalízis az orvostudományban. Bioinformatikai modellek. Cserző Miklós 2017
Bioinformatika és genomanalízis az orvostudományban Bioinformatikai modellek Cserző Miklós 2017 A mai előadás A predikció jelentősége a biológiában Egyszerű statisztikai modellek Kyte-Doolittle hidrofóbicitás
RészletesebbenEgy új DNS motívum típus in silico jellemzése és szerepe a génszabályozásban Zárójelentés - OTKA # PD73575, BIOIN Cserző Miklós
Egy új DNS motívum típus in silico jellemzése és szerepe a génszabályozásban Zárójelentés - OTKA # PD73575, BIOIN Cserző Miklós A kutatás első évében az előzetes tervnek megfelelően tudtunk haladni. Kidolgoztunk
RészletesebbenEtológia. a viselkedés biológiája. Barta Zoltán.
Etológia a viselkedés biológiája Barta Zoltán zbarta@delfin.unideb.hu Interdiszciplináris és komplex megközelítésű tananyag fejlesztés a természettudományi képzési terület alapszakjaihoz Debrecen 2010.
RészletesebbenA funkcionális genomikai eszköztár szerepe az onkológiai kutatásokban
Összefoglaló közlemény 21 A funkcionális genomikai eszköztár szerepe az onkológiai kutatásokban Bálint Bálint L. 1, Nagy László 1,2 1 Debreceni Egyetem Orvos- és Egészségtudományi Centrum, Biokémiai és
RészletesebbenHumán genom variációk single nucleotide polymorphism (SNP)
Humán genom variációk single nucleotide polymorphism (SNP) A genom ~ 97 %-a két különböző egyedben teljesen azonos ~ 1% különbség: SNP miatt ~2% különbség: kópiaszámbeli eltérés, deléciók miatt 11-12 millió
RészletesebbenFehérjeszerkezet analízis. Fehérjeszerkezet analízis. Fehérjeszerkezet analízis. Fehérjeszerkezet analízis. Fehérjeszerkezet analízis
Szerkezet Protein Data Bank (PDB) http://www.rcsb.org/pdb ~ 35 701 szerkezet közepes felbontás 1552 szerkezet d 1.5 Å 160 szerkezet d 1.0 Å 10 szerkezet d 0.8 Å (atomi felbontás) E globális minimum? funkció
RészletesebbenBioinformatika az élelmiszergyártásban és a táplálkozástudományban
ÉLELMISZERIPARI BIOTECHNOLÓGIÁK Bioinformatika az élelmiszergyártásban és a táplálkozástudományban Tárgyszavak: bioinformatika; genomika; proteomika; polimorfizmus; táplálkozástudomány; élelmiszer-minőség.
RészletesebbenA programozás alapjai előadás. Amiről szólesz: A tárgy címe: A programozás alapjai
A programozás alapjai 1 1. előadás Híradástechnikai Tanszék Amiről szólesz: A tárgy címe: A programozás alapjai A számítógép részegységei, alacsony- és magasszintű programnyelvek, az imperatív programozási
RészletesebbenTipizálási módszerek alkalmazása methicillin-rezisztens Staphylococcus aureus (MRSA) törzsek molekuláris epidemiológiai vizsgálatai során
Tipizálási módszerek alkalmazása methicillin-rezisztens Staphylococcus aureus (MRSA) törzsek molekuláris epidemiológiai vizsgálatai során Ungvári Erika, Tóth Ákos Magyar Infektológiai és Klinikai Mikrobiológiai
Részletesebben5. modul: ARÁNYOSSÁG, SZÁZALÉKSZÁMÍTÁS
MATEMATIK A 9. évfolyam 5. modul: ARÁNYOSSÁG, SZÁZALÉKSZÁMÍTÁS KÉSZÍTETTE: VIDRA GÁBOR Matematika A 9. évfolyam. 5. modul: ARÁNYOSSÁG, SZÁZALÉKSZÁMÍTÁS Tanári útmutató 2 A modul célja Időkeret Ajánlott
RészletesebbenKlaszterezés, 2. rész
Klaszterezés, 2. rész Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 208. április 6. Csima Judit Klaszterezés, 2. rész / 29 Hierarchikus klaszterezés egymásba ágyazott klasztereket
RészletesebbenA humán mitokondriális genom: Evolúció, mutációk, polimorfizmusok, populációs vonatkozások. Egyed Balázs ELTE Genetikai Tanszék
A humán mitokondriális genom: Evolúció, mutációk, polimorfizmusok, populációs vonatkozások Egyed Balázs ELTE Genetikai Tanszék Endoszimbiotikus gén-transzfer (Timmis et al., 2004, Nat Rev Gen) Endoszimbiotikus
RészletesebbenHuman Genome Project, 1990-2005 5 évvel a tervezett befezés előtt The race is over, victory for Craig Venter. The genome is mapped* - now what?
2000 június 26 Új út kezdete, vagy egy út vége? Human Genome Project, 1990-2005 5 évvel a tervezett befezés előtt The race is over, victory for Craig Venter. The genome is mapped* - now what? 2000 június
RészletesebbenSearching in an Unsorted Database
Searching in an Unsorted Database "Man - a being in search of meaning." Plato History of data base searching v1 2018.04.20. 2 History of data base searching v2 2018.04.20. 3 History of data base searching
RészletesebbenRendezetlen fehérjék kölcsönhatásainak vizsgálata: elmélet, predikciók és alkalmazások
Rendezetlen fehérjék kölcsönhatásainak vizsgálata: elmélet, predikciók és alkalmazások Doktori (PhD) értekezés tézisei Mészáros Bálint Témavezetők: Dr. Dosztányi Zsuzsanna, PhD és Prof. Simon István, PhD,
RészletesebbenBozóki Sándor. MTA SZTAKI, Budapesti Corvinus Egyetem. Vitaliy Tsyganok
A feszítőfákból számolt súlyvektorok mértani közepének optimalitása a logaritmikus legkisebb négyzetes célfüggvényre nézve Bozóki Sándor MTA SZTAKI, Budapesti Corvinus Egyetem Vitaliy Tsyganok Laboratory
RészletesebbenTudományközi beszélgetések
VILÁGOSSÁG 2003/9 10. Tudományrendszer Tudományközi beszélgetések Molekuláris biológia A XXI. század tudományrendszere című nagyprojektje keretében tudományközti beszélgetések sorozatát indította el az
RészletesebbenLOGISZTIKA A TUDOMÁNYBAN ÉS A GAZDASÁGBAN
Miskolci Egyetem, Multidiszciplináris tudományok, 1. kötet (2011) 1. szám, pp. 11-20. LOGISZTIKA A TUDOMÁNYBAN ÉS A GAZDASÁGBAN Illés Béla tanszékvezető egyetemi tanár Miskolci Egyetem, Anyagmozgatási
RészletesebbenA felgyorsult fehérje körforgás szerepe a transzlációs hibákkal szembeni alkalmazkodási folyamatokban
A felgyorsult fehérje körforgás szerepe a transzlációs hibákkal szembeni alkalmazkodási folyamatokban Ph.D. értekezés tézisei Kalapis Dorottya Témavezető: Dr. Pál Csaba tudományos főmunkatárs Biológia
RészletesebbenJuhász Angéla MTA ATK MI Alkalmazott Genomikai Osztály SZEKVENCIA ADATBÁZISOK
Juhász Angéla MTA ATK MI Alkalmazott Genomikai Osztály SZEKVENCIA ADATBÁZISOK Fehérjét kódol? Tulajdonságai? -Hol lokalizálódik? -Oldható? -3D szerkezete? -Accession #? -Annotációja elérhető? Már benne
RészletesebbenPh.D. értekezés tézisei. Bioinformatikai analízis és digitális jelfeldolgozás. génexpressziós adatokon
Ph.D. értekezés tézisei Bioinformatikai analízis és digitális jelfeldolgozás génexpressziós adatokon Készítette: Kelemen János-Zsigmond Témavezető: Dr. Puskás László MTA Szegedi Biológiai Központ Funkcionális
RészletesebbenAhol a kvantum mechanika és az Internet találkozik
Ahol a kvantum mechanika és az Internet találkozik Imre Sándor BME Híradástechnikai Tanszék Imre Sándor "The fastest algorithm can frequently be replaced by one that is almost as fast and much easier to
RészletesebbenEtológia Emelt A viselkedés mérése. Miklósi Ádám egyetemi tanár ELTE TTK Etológia Tanszék 2018
Etológia Emelt A viselkedés mérése Miklósi Ádám egyetemi tanár ELTE TTK Etológia Tanszék 2018 amiklosi62@gmail.com A viselkedés leírása: A viselkedés, mint fenotipikus jellemző Viselkedés: Élő szervezetek
RészletesebbenPoligénes v. kantitatív öröklődés
1. Öröklődés komplexebb sajátosságai 2. Öröklődés molekuláris alapja Poligénes v. kantitatív öröklődés Azok a tulajdonságokat amelyek mértékegységgel nem, vagy csak nehezen mérhetők, kialakulásuk kevéssé
RészletesebbenAz új érettségi rendszer bevezetésének tapasztalatai
Középiskolai biológiatanárok szaktárgyi továbbképzése Pázmány Péter Katolikus Egyetem Információs Technológiai és Bionikai Kar Budapest, 2017.10. 06 Kleininger Tamás Az új érettségi rendszer bevezetésének
RészletesebbenCserző Miklós Bioinformatika és genomanalízis az orvostudományban. Integrált biológiai adatbázisok
Bioinformatika és genomanalízis az orvostudományban Integrált biológiai adatbázisok Cserző Miklós 2018 A mai előadás A genom annotálás jelentősége Genome Reference Consortium Gene Ontology Az ensembl pipeline
RészletesebbenA DNS szerkezete. Genom kromoszóma gén DNS genotípus - allél. Pontos méretek Watson genomja. J. D. Watson F. H. C. Crick. 2 nm C G.
1955: 46 emberi kromoszóma van 1961: mrns 1975: DNS szekvenálás 1982: gén-bank adatbázisok 1983: R (polymerase chain reaction) Mérföldkövek 1 J. D. Watson F. H.. rick 2008 1953 2003 Watson genomja DNS
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS Dr. Soumelidis Alexandros 2018.10.04. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérés-feldolgozás
RészletesebbenA bioinformatika mint oktatási feladat
A bioinformatika mint oktatási feladat Bioinformatics as a task in education Pongor Sándor Pongor, S. Mezôgazdasági Biotechnológiai Kutatóközpont, 2100 Gödöllô, Pf 170 és International Centre of Genetic
RészletesebbenTémák Tudományos DiákKöri munkákhoz
Témák Tudományos DiákKöri munkákhoz Kovács György Debreceni Egyetem December 8, Áttekintés 1 2 3 4 5 6 7 Pozitron Emissziós Tomográfia Témák Tudományos DiákKöri munkákhoz 2/12 A PNG képformátum metaadatainak
Részletesebben10. modul: FÜGGVÉNYEK, FÜGGVÉNYTULAJDONSÁGOK
MATEMATIK A 9. évfolyam 10. modul: FÜGGVÉNYEK, FÜGGVÉNYTULAJDONSÁGOK KÉSZÍTETTE: CSÁKVÁRI ÁGNES Matematika A 9. évfolyam. 10. modul: FÜGGVÉNYEK, FÜGGVÉNYTULAJDONSÁGOK Tanári útmutató 2 MODULLEÍRÁS A modul
RészletesebbenBig Data az adattárházban
Big Data az adattárházban A párbaj folytatódik? Néhány fontos Big Data projekt Cég Téma Adat Újfajta Mennyiség Saját adat? Típus Google Influenza Google I big I Előjelzés előjelzés Farecast Xoom Chicagoi
RészletesebbenHidraulikus hálózatok robusztusságának növelése
Dr. Dulovics Dezső Junior Szimpózium 2018. Hidraulikus hálózatok robusztusságának növelése Előadó: Huzsvár Tamás MSc. Képzés, II. évfolyam Témavezető: Wéber Richárd, Dr. Hős Csaba www.hds.bme.hu Az előadás
RészletesebbenHamar Péter. RNS világ. Lánczos Kornél Gimnázium, Székesfehérvár, 2014. október 21. www.meetthescientist.hu 1 26
Hamar Péter RNS világ Lánczos Kornél Gimnázium, Székesfehérvár, 2014. október 21. 1 26 Főszereplők: DNS -> RNS -> fehérje A kód lefordítása Dezoxy-ribo-Nuklein-Sav: DNS az élet kódja megkettőződés (replikáció)
RészletesebbenMATEMATIKA 5 8. ALAPELVEK, CÉLOK
MATEMATIKA 5 8. ALAPELVEK, CÉLOK Az iskolai matematikatanítás célja, hogy hiteles képet nyújtson a matematikáról mint tudásrendszerről és mint sajátos emberi megismerési, gondolkodási, szellemi tevékenységről.
RészletesebbenSupporting Information
Supporting Information Cell-free GFP simulations Cell-free simulations of degfp production were consistent with experimental measurements (Fig. S1). Dual emmission GFP was produced under a P70a promoter
RészletesebbenA NIMROD SZUPERGÉNCSALÁD EVOLÚCIÓJA
A NIMROD SZUPERGÉNCSALÁD EVOLÚCIÓJA Ph.D. értekezés tézisei Sipos Botond Témavezető: Dr. Pénzes Zsolt Konzulens: Dr. Somogyi Kálmán Szegedi Tudományegyetem Biológia Doktori Iskola MTA Szegedi Biológiai
Részletesebben2. Ismert térszerkezetű transzmembrán fehérjék adatbázisa: a PDBTM adatbázis. 3. A transzmembrán fehérje topológiai adatbázis, a TOPDB szerver
A 2005 és 2007 között megvalósított project célja transzmembrán fehérjék vizsgálata és az ehhez szükséges eljárások kifejlesztése volt. Ez utóbbi magába foglalta új adatbázisok és szerkezet becslő módszerek
RészletesebbenSTATISZTIKUS TÖRVÉNYSZERŰSÉGEK EGYSZERŰ DEMONSTRÁLÁSA GALTON-DESZKÁVAL SIMPLE DEMONSTRATION OF STATISTICAL LAWS WITH GALTON-BOARD
STATISZTIKUS TÖRVÉNYSZERŰSÉGEK EGYSZERŰ DEMONSTRÁLÁSA GALTON-DESZKÁVAL SIMPLE DEMONSTRATION OF STATISTICAL LAWS WITH GALTON-BOARD Gyertyán Attila 1, Dr. Juhász András 2 1 ELTE Apáczai Csere János Gyakorlóiskola,
RészletesebbenSzakmai zárójelentés OTKA azonosító: NN 75255
ZÁRÓ SZAKMAI BESZÁMOLÓ A A MORTIERELLALES REND (FUNGI, ZYGOMYCETES) ÁTFOGÓ FILOGENETIKAI ÉS TAXONÓMIAI REVÍZIÓJA MORFOLÓGIAI, FIZIOLÓGIAI ÉS MOLEKULÁRIS ELJÁRÁSOKKAL CÍMŰ NEMZETKÖZI EGYÜTTMŰKÖDÉSI (NN)
Részletesebben