Bioinformatika 2 4. előadás
|
|
- Emma Szalainé
- 5 évvel ezelőtt
- Látták:
Átírás
1 4. előadás Prof. Poppe László BME Szerves Kémia és Technológia Tsz. Bioinformatika proteomika Előadás és gyakorlat
2 Biológiai adatbázisok Felhasználó Keresõprogram BLAST Biológiai adatbázisok Primer adatbázisok Szerkezeti adatbázisok Szekvencia adatbázisok Protein Protein Nukleinsav PDB SwissProt GenBank TrEMBL DDBJ PIR EMBL Szekunder adatbázisok SCOP CATH PFAM BLOCKS PROSITE Integrált adatbázisok INTERPRO
3 Másodlagos adatbázisok A másodlagos szekvencia adatbázisok az elsődleges (azaz szekvenciákat tartalmazó) adatbázisokból létrehozott szekvenciamintázat adatbázisok. Az elsődleges adatbázisok szekvenciáiból többszörös szekvencia összerendezések segítségével felismerhetővé válnak a konzerválódott régiók, a motívumok. A motívumok összessége az ujjlenyomat. Egy motívum alapján készíthető reguláris kifejezés, vagy gyakorisági mátrix (ebből súlyozott gyakorisági mátrix képezhető)
4 Származtatott adatbázisok Származtatott adatbázis Elsődleges vagy másodlagos forrása Tartalma PROSITE SwissProt Reguláris kifejezések (mintázatok) Profiles (PROSITE része) SwissProt Súlyozott mátrixok (profilolok) PRINTS SwissProt + TrEMBL Összerendezett motívumok (ujjlenyomatok) Pfam SwissProt Rejtett Markov modellek (HMM ek) BLOCKS* PROSITE / PRINTS Összerendezett motívumok (blokkok) emotif* BLOCKS / PRINTS "Fuzzy" reguláris kifejezések (mintázatok) * Szekunder adatbázisból származtatott harmadlagos adatbázis
5 Származtatott adatbázisok csoportosítása
6 { Alkalmazásuk paradigmája Hasonló szekvencia - Hasonló szerkezet - Hasonló funkció Hasonló szekvencia Homológia ++ +/- +/- Hasonló szerkezet Paralógia Ortológia Hasonló funkció? + Bioinformatika alapfeladata: új szekvencia -> a fehérje funkciója, szerkezeti család, stb. Keresőprogramok (FASTA, BLAST, PSI BLAST, stb.) -> homológia felismerésére jók, de fontosabb az ortológia felismerése (a homológ lehet az ortológ paralógja is, ez kevésbé hasznosítható) Másodlagos adatbázisok (többnyire azonos funkciójú fehérjék szekvenciáiból származnak) az ortológia felismerését segítik
7 PROSITE Reguláris kifejezések Négy protein összerendezése ADLGAVFALCDRYFQ SDVGPRSCFCERFYQ ADLGRTQNRCDRYYQ ADIGQPHSLCERYFQ [AS] D [IVL] G x4 {PG} C [DE] R [FY]2 Q Szabványos IUPAC egybetűs aminosav jelek Az egyes pozíciókat kötőjelek választják el Egy aminosav jel: teljesen konzerválódott pozíció (pl. G ) Szögletes zárójel: a megadott aminosavak valamelyike (pl. [AS]) Kapcsos zárójel: Bármelyik aminosav, kivéve a megadottakat (pl. {PG}) x: Bármelyik aminosav Szám: ismétlődés. (pl. [FY]2, x4) x(2,4): x 2 szer, 3 szor vagy 4 szer
8 PROSITE Reguláris kifejezések Példa: H-x-[LIVM]-{P}-x(0,2)-G-x(4)-W H-C-I-N--G-YFRA-W A szekvencia megfelel
9 PROSITE - Mintázatok Többszörös összerendezésekkel nyert olyan homológ régiók, melyek az adott fehérjecsalád biológiai funkciója szempontjából fontosak, pl.: Enzimek katalítikus helyei Prosztetikus csoportok kötőhelyei (hem, piridoxál-foszfát, biotin, stb.) Fémionok kötésében fontos aminosavak Diszulfid-hidakat kialakító ciszteinek Különböző molekulákat (ADP/ATP, GDP/GTP, kalcium, DNS, stb.) megkötő helyek Más proteineket megkötő helyek Egy motívumos adatbázis, a SwissProt összerendelések alapján, kézzel, szakértők által kísérleti és irodalmi adatok alapján elkészítve. A kifejezések jóságát gondosan ellenőrzik. Alapos, megbízható dokumentáció
10 PROSITE Mintázat állomány
11 PROSITE Dokumentációs állomány
12 PROSITE Dokumentációs állomány
13 PROSITE - Keresés
14 PRINTS Ujjlenyomatok A PRINTS tartalma A fehérjecsaládokra jellemző "ujjlenyomatok": összerendezések hézagmentes, konzerválódott szakaszainak ("motívumok") halmazai A PRINTS készítése Kiinduló adatbázis: SWISSPROT+TrEMBL Egy fehérjecsalád néhány szekvenciájával manuális többszörös összerendezést készítenek Megállapítják a konzerválódott régiók helyét (főleg vizuálisan), ezek a motívumok (kezdeti motívumhalmaz) Mindegyik motívumból gyakorisági mátrixot származtatnak. A gyakorisági mátrix segítségével keresést végeznek (SwissProt+TrEMBL); bármely szekvencia illeszkedése a motívumhoz pontozható a gyakorisági mátrix segítségével A legjobb találatokat hozzáveszik és hozzárendezik a kezdeti motívumhoz, újabb gyakorisági mátrixot számítanak Az eljárást iteratívan ismétlik, amíg már nem lehet több szekvenciát hozzávenni a motívumhoz
15 PRINTS - Állományok Az iterációk utáni motívumhalmaz diagnosztikus ereje nagyobb (jobban "diagnosztizálható" vele egy új szekvenciának az adott fehérjecsaláddal való homológiája). Több mint 1500 ujjlenyomatban feletti motívumot tartalmaz a PRINTS PRINTS állományok Keresztreferenciák Irodalmi hivatkozások Dokumentáció (bőséges) Az ujjlenyomat diagnosztikus erejét mutató statisztikai adatok A valódi pozitív találatot adó fehérjék felsorolása Kezdeti (iteráció előtti) motívumkészletek (pozícióval és az előző motívumtól mért távolsággal) Végső (iterációk utáni) motívumkészletek
16 PRINTS - Adatbázis
17 BLOCKS Blokkok BLOCKS állományok Régebbi mátrix alapú megközelítés, SwissProt adatbázisból származtatva BLOCKS keresés (megszűnt, ma már fejlettebb módszerek elérhetőek) Kulcsszó, leírás, stb. szerint Egy szekvencia összehasonlítása a BLOCKS szal (a súlyozott gyakorisági mátrix segítségével): -> Egyező blokkokat mutatja, E értékkel. A talált blokkok ún. logó ja (aminosavgyakoriságok betűméretre konvertálva) megjeleníthető, pl.:
18 Profilok Prosite, Pfam A profilok összerendezett szekvenciákból származtatott, a teljes szekvenciát leíró matematikai objektumok. Két fajtájuk van: Súlymátrixok: súlyozott gyakorisági mátrixok (mint a BLOCKS nál), kiegészítve pozíciófüggő gap opening és gap extension penalty kkel (azaz a mátrix soraiban 22 szám van: 20 aminosav és 2 gap penalty). A PROSITE ban ilyennel írják le azokat a fehérjecsaládokat, amelyekre nem találnak jó reguláris kifejezést. Rejtett Markov modellek (Hidden Markov Model, HMM): Olyan valószínűségi modell, amely szekvenciákat "generál": tkp. lineáris lánc, amely egyezés (Match, M), beszúrás (insertion, I) és törlés (deletion, D) állapotokból áll, az ezek átmeneteit jellemző számadatokkal
19 Hidden Markov modellek (HMM) A rejtett Markov modell (angolul hidden Markov model, röviden HMM) egy képzeletbeli gép, amely szekvenciákat generál. A gépnek véges sok állapota van, és ezek között lépked. Minden egyes állapotában vagy minden egyes állapotváltáskor kibocsáthat egy szekvencia elemet (tehát aminosavat vagy nukleotidot), ezekből áll össze a gép által generált szekvencia
20 Hidden Markov modellek (HMM) A körök és a négyzetek a gép állapotait, az összekötő nyilak az egyes állapotok között lehetséges átmeneteket reprezentálják. Az M és az I állapotok ún. "kibocsátó" állapotok, tehát amikor a gép ezekben az állapotokban van, akkor kibocsát magából egy szekvenciaelemet (aminosavat vagy nukleotidot). A D állapotok nem kibocsátó állapotok. Mindegyik M és I állapothoz tartozik egy táblázat, amely megmondja, hogy az adott állapotban a 20 aminosav, ill. a 4 nukleotid közül melyiket milyen valószínűséggel bocsátja ki a gép (tehát a táblázat 20 vagy 4 számot tartalmaz). A HMM nek további paraméterei az egyes állapotok közötti átmenetek valószínűségei, tehát az állapotdiagramon lévő, az egyes állapotokat összekötő nyilak mindegyikéhez tartozik egy valószínűségérték. A HMM rendszerint annyi M, I és D állapotot tartalmaz, amilyen hosszú szekvenciát tipikusan generál. A fenti ábrán látható HMM például 5 M állapotot tartalmaz, tehát amennyiben működése során nem megy át sem I, sem D állapoton, akkor 5 aminosavból vagy nukleotidból álló szekvenciát generál
21 Hidden Markov modellek (HMM) Ha van egy rokon szekvenciákat tartalmazó szekvenciahalmazunk, akkor ennek az elemzésével, az egyes pozíciókban található aminosavak gyakorisága és egyebek alapján definiálni lehet egy olyan HMM et, amely a kiinduló szekvenciahalmazhoz hasonló szekvenciákat generál. A HMM felépítése, az állapotdiagram általában már eleve adott, a szekvenciahalmaz elemzésével pedig meghatározhatjuk az M és az I állapotokban az egyes aminosavak, ill. nukleotidok kibocsátásának valószínűségeit, valamint a gép egyes állapotai közötti átmenetek valószínűségeit. A Pfam adatbázis ezeket a paramétereket (pontosabban a számítások megkönnyítése végett a valószínűségek logaritmusát) tartalmazza minden egyes fehérjecsaládra. Ha tehát a rokon szekvenciákat tartalmazó halmaz alapján definiáltunk egy HMM et, akkor ezt a bizonyos szekvenciacsaládot jól leíró modellhez jutunk, amely képes további, a kiinduló szekvenciahalmazban lévő szekvenciákhoz hasonló szekvenciákat generálni. A szekvencia analízisnél azonban a HMM nek nem ez a képessége fontos, hanem az, hogy a HMM segítségével meg lehet határozni egy új szekvenciáról, hogy azt milyen valószínűséggel generálhatja az adott HMM. Ha ez nagy valószínűségérték, akkor a vizsgált, új szekvencia is beletartozik abba a szekvenciacsaládba, amelyből a HMM megkonstruálása során kiindultunk
22 Profilok Prosite, Pfam PROSITE profilállomány Alap paraméterek: különböző átmenetek (pl. MI: Match Insertion) pontszámai M: Match (egyezés) állapotok, paraméterekkel (súlymátrix elemei) I: Inszerció állapotok, paraméterekkel Pfam állományok Leíró állomány: Családok leírásai (szekvenciák felsorolása) HMM állomány: A HMM et adja meg. Pfam A: Jól dokumentált családok, Pfam B: rosszul dokumentált, automatikusan generált családok. Keresés profiladatbázisokban Szekvencia összehasonlítása a profilokkal (különféle programok, szerverek)
23 Integrált másodlagos adatbázis: INTERPRO A legjobban dokumentált másodlagos adatbázisok (PROSITE, PRINTS) integrálása egyéb másodlagos adatbázisokkal (Pfam, PRODOM, stb.). Több ezer fehérjecsalád
24 Integrált másodlagos adatbázis: INTERPRO
25 Integrált másodlagos adatbázis: INTERPRO Bioinformatics - 25 Proteomics
26 Integrált biológiai adatbázis NCBI
27 Integrált biológiai adatbázis NCBI
28 Integrált biológiai adatbázis NCBI Structure
29 Integrált biológiai adatbázis NCBI PubMed
5. Másodlagos adatbázisok
5. Másodlagos adatbázisok 1. Alapfogalmak 2. Reguláris kifejezések, "aláírások" (PROSITE) 3. "Ujjlenyomatok" (PRINTS) 4. "Blokkok" (BLOCKS) 5. "Profilok": Prosite, Pfam 6. "Fuzzy" reguláris kifejezések:
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
RészletesebbenBioinformatika 2 5.. előad
5.. előad adás Prof. Poppe László BME Szerves Kémia és Technológia Tsz. Bioinformatika proteomika Előadás és gyakorlat 2009. 03. 21. Fehérje térszerkezet t megjelenítése A fehérjék meglehetősen összetett
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.
RészletesebbenBioinformatika 2 2. előadás
2. előadás Prof. Poppe László BME Szerves Kémia és Technológia Tsz. Bioinformatika proteomika Előadás és gyakorlat 2018.09.10. N.M. Luscombe, D. Greenbaum, M. Gerstein: International Medical Informatics
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,
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,
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 2 5. előadás
5. előadás Prof. Poppe László BME Szerves Kémia és Technológia Tsz. Bioinformatika proteomika Előadás és gyakorlat 2018.10.01. Fehérje térszerkezet megjelenítése A fehérjék meglehetősen összetett szerkezetek,
Részletesebben8. A fehérjék térszerkezetének jóslása
8. A fehérjék térszerkezetének jóslása A probléma bonyolultsága Általánosságban: találjuk meg egy tetszõleges szekvencia azon konformációját, amely a szabadentalpia globális minimumát adja. Egyszerû modellekben
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 bakteriális kommunikáció és kooperáció génjeinek elhelyezkedése ismert genomokban.
A bakteriális kommunikáció és kooperáció génjeinek elhelyezkedése ismert genomokban. Az AHL szabályzórendszer génjei. Pázmány Péter Katolikus Egyetem Információs Technológiai és Bionikai Kar Multidiszciplináris
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,
RészletesebbenBioinformatika előad
7.. előad adás Prof. Poppe László BME Szerves Kémia és Technológia Tsz. Bioinformatika proteomika Előadás és gyakorlat 2009. 04. 03. Térszerkezet előrejelz rejelzés s főf módszerei Homológia modellezés
RészletesebbenA fehérjék térszerkezetének jóslása
A fehérjék térszerkezetének jóslása 1. A probléma bonyolultsága 2. A predikció szintjei 3. 1D predikciók (másodlagos szerkezet, hozzáférhetõség, transzmembrán hélixek 4. 2D predikciók (oldallánc kontaktusok,
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
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
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
RészletesebbenBIOMOLEKULÁK KÉMIÁJA. Novák-Nyitrai-Hazai
BIOMOLEKULÁK KÉMIÁJA Novák-Nyitrai-Hazai A tankönyv elsısorban szerves kémiai szempontok alapján tárgyalja az élı szervezetek felépítésében és mőködésében kulcsfontosságú szerves vegyületeket. A tárgyalás-
RészletesebbenMai témák. Fehérjék dinamikájának jelentősége. Számítógépes modellezés jelentősége
Mai témák Fehérjék szerkezetének predikciója, szerkezeti adatok felhasználása adatbázisok segítségével, a számítógépes molekuladinamikai modellezés alapjai Hegedűs Tamás tamas@hegelab.org Bevezetés szimulációk
RészletesebbenA nukleinsavak polimer vegyületek. Mint polimerek, monomerekből épülnek fel, melyeket nukleotidoknak nevezünk.
Nukleinsavak Szerkesztette: Vizkievicz András A nukleinsavakat először a sejtek magjából sikerült tiszta állapotban kivonni. Innen a név: nucleus = mag (lat.), a sav a kémhatásukra utal. Azonban nukleinsavak
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
Részletesebben9. Képaláírás, kereszthivatkozás, tárgymutató és jegyzékek
, kereszthivatkozás, tárgymutató és jegyzékek Schulcz Róbert schulcz@hit.bme.hu A tananyagot kizárólag a BME hallgatói használhatják fel tanulási céllal. Minden egyéb felhasználáshoz a szerző engedélye
RészletesebbenFehérjék szerkezetének predikciója, szerkezeti adatok felhasználása adatbázisok segítségével, a számítógépes molekuladinamikai modellezés alapjai
Fehérjék szerkezetének predikciója, szerkezeti adatok felhasználása adatbázisok segítségével, a számítógépes molekuladinamikai modellezés alapjai Hegedűs Tamás tamas@hegelab.org MTA-SE Membránbiológiai
Részletesebben3. Páronkénti szekvencia összerendezés
3. Páronkénti szekvencia összerendezés 1. Alapfogalmak 2. Hasonlósági mátrixok (PAM, BLOSUM) 3. Statisztikai szignifikancia 4. A pontábrázolás 5. Lokális és globális hasonlóság 6. Globális összerendezés:
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
RészletesebbenTöbb oxigéntartalmú funkciós csoportot tartalmazó vegyületek
Több oxigéntartalmú funkciós csoportot tartalmazó vegyületek Hidroxikarbonsavak α-hidroxi karbonsavak -Glikolsav (kézkrémek) - Tejsav (tejtermékek, izomláz, fogszuvasodás) - Citromsav (citrusfélékben,
RészletesebbenMolekuláris biológiai adatbázisok és adatbázis keresések. Barta Endre Tóth Gábor MBK Bioinformatikai Csoport
Molekuláris biológiai adatbázisok és adatbázis keresések Barta Endre Tóth Gábor MBK Bioinformatikai Csoport Adatbázisok: megvalósítás Szöveges adatbázis általában szekvenciális, néha indexelt megfelelő
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
RészletesebbenFehérjék rövid bevezetés
Receptorfehérj rjék szerkezetének felderítése Homológia modellezés Fehérjék rövid bevezetés makromolekulák számos biológiai funkció hordozói: enzimatikus katalízis, molekula transzport, immunválaszok,
RészletesebbenTEMATIKA Biokémia és molekuláris biológia IB kurzus (bb5t1301)
Biokémia és molekuláris biológia I. kurzus (bb5t1301) Tematika 1 TEMATIKA Biokémia és molekuláris biológia IB kurzus (bb5t1301) 0. Bevezető A (a biokémiáról) (~40 perc: 1. heti előadás) A BIOkémia tárgya
RészletesebbenNÖVÉNYI GENOMIKA JÓRI BALÁZS
NÖVÉNYI GENOMIKA JÓRI BALÁZS Eötvös Loránd Tudományegyetem, Növényélettani és Molekuláris Növénybiológia Tanszék, 1117 Budapest, Pázmány P. sétány 1/c. Elfogadva: 2004. december 29. Bot. Közlem. 91(1 2):
RészletesebbenBioinformatika előadás
Bioinformatika 2 11. előadás Prof. Poppe László BME Szerves Kémia és Technológia Tsz. Bioinformatika proteomika Előadás és gyakorlat 2018.11.22. Szerkezeti genomika, proteomika, biológia A biológia forradalma
RészletesebbenGrafikonok automatikus elemzése
Grafikonok automatikus elemzése MIT BSc önálló laboratórium konzulens: Orosz György 2016.05.18. A feladat elsődleges célkitűzései o eszközök adatlapján található grafikonok feldolgozása, digitalizálása
RészletesebbenBIOGÉN ELEMEK Azok a kémiai elemek, amelyek az élőlények számára létfontosságúak
BIOGÉN ELEMEK Azok a kémiai elemek, amelyek az élőlények számára létfontosságúak A több mint száz ismert kémiai elem nagyobbik hányada megtalálható az élőlények testében is, de sokuknak nincsen kimutatható
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
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
RészletesebbenKUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel
KUTATÁSMÓDSZERTAN 4. ELŐADÁS A minta és mintavétel 1 1. A MINTA ÉS A POPULÁCIÓ VISZONYA Populáció: tágabb halmaz, alapsokaság a vizsgálandó csoport egésze Minta: részhalmaz, az alapsokaság azon része,
RészletesebbenFehérjeszerkezet, és tekeredés
Fehérjeszerkezet, és tekeredés Futó Kinga 2013.10.08. Polimerek Polimer: hasonló alegységekből (monomer) felépülő makromolekulák Alegységek száma: tipikusan 10 2-10 4 Titin: 3,435*10 4 aminosav C 132983
Részletesebbentranszláció DNS RNS Fehérje A fehérjék jelenléte nélkülözhetetlen minden sejt számára: enzimek, szerkezeti fehérjék, transzportfehérjék
Transzláció A molekuláris biológia centrális dogmája transzkripció transzláció DNS RNS Fehérje replikáció Reverz transzkriptáz A fehérjék jelenléte nélkülözhetetlen minden sejt számára: enzimek, szerkezeti
RészletesebbenBEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA
BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BESZÉDTUDOMÁNY Az emberi kommunikáció egyik leggyakrabban használt eszköze a nyelv. A nyelv hangzó változta, a beszéd a nyelvi kommunikáció
RészletesebbenGyakorlati bioinformatika
Gyakorlati bioinformatika Szekvenciaillesztés PhD kurzus 2. Szekvenciaillesztés Bagossi Péter Fajtái: - egyszer ill. többszörös illesztés - globális ill. lokális illesztés Alkalmazása: - adatbázisokban
RészletesebbenTerületi elemzések. Budapest, 2015. április
TeIR Területi elemzések Felhasználói útmutató Budapest, 2015. április Tartalomjegyzék 1. BEVEZETŐ... 3 2. AZ ELEMZÉSBEN SZEREPLŐ MUTATÓ KIVÁLASZTÁSA... 4 3. AZ ELEMZÉSI FELTÉTELEK DEFINIÁLÁSA... 5 3.1.
RészletesebbenSzerkesztette: Vizkievicz András
Fehérjék A fehérjék - proteinek - az élő szervezetek számára a legfontosabb vegyületek. Az élet bármilyen megnyilvánulási formája fehérjékkel kapcsolatos. A sejtek szárazanyagának minimum 50 %-át adják.
Részletesebben7. Fehérjeszekvenciák és térszerkezetek analízise.
7. Fehérjeszekvenciák és térszerkezetek analízise. 1. Egyszerû elemzések 2. Térszerkezet predikció 2.1. A probléma bonyolultsága 2.2. A predikció szintjei 2.3. 1D predikciók (másodlagos szerkezet, hozzáférhetõség,
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
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
RészletesebbenFehérjeszerkezet, és tekeredés. Futó Kinga
Fehérjeszerkezet, és tekeredés Futó Kinga Polimerek Polimer: hasonló alegységekből (monomer) felépülő makromolekulák Alegységek száma: tipikusan 10 2-10 4 Titin: 3,435*10 4 aminosav C 132983 H 211861 N
RészletesebbenALKÍMIA MA Az anyagról mai szemmel, a régiek megszállottságával.
ALKÍMIA MA Az anyagról mai szemmel, a régiek megszállottságával www.chem.elte.hu/pr Kvíz az előző előadáshoz Programajánlatok október 18. 16:00 ELTE Kémiai Intézet 065-ös terem Észbontogató (www.chem.elte.hu/pr)
RészletesebbenA nukleinsavak polimer vegyületek. Mint polimerek, monomerekből épülnek fel, melyeket nukleotidoknak nevezünk.
Nukleinsavak Szerkesztette: Vizkievicz András A nukleinsavakat először a sejtek magjából sikerült tiszta állapotban kivonni. Innen a név: nucleus = mag (lat.), a sav a kémhatásukra utal. Azonban nukleinsavak
RészletesebbenInformatikai alapismeretek Földtudományi BSC számára
Informatikai alapismeretek Földtudományi BSC számára 2010-2011 Őszi félév Heizlerné Bakonyi Viktória HBV@ludens.elte.hu Titkosítás,hitelesítés Szimmetrikus DES 56 bites kulcs (kb. 1000 év) felcserél, helyettesít
RészletesebbenKövetelmény az 5. évfolyamon félévkor matematikából
Követelmény az 5. évfolyamon félévkor matematikából Gondolkodási és megismerési módszerek Néhány elem kiválasztása adott szempont szerint. Néhány elem sorba rendezése, az összes lehetséges sorrend felsorolása.
RészletesebbenBánsághi Anna anna.bansaghi@mamikon.net. 2014 Bánsághi Anna 1 of 31
IMPERATÍV PROGRAMOZÁS Bánsághi Anna anna.bansaghi@mamikon.net 9. ELŐADÁS - OOP TERVEZÉS 2014 Bánsághi Anna 1 of 31 TEMATIKA I. ALAPFOGALMAK, TUDOMÁNYTÖRTÉNET II. IMPERATÍV PROGRAMOZÁS Imperatív paradigma
RészletesebbenFarmakológus szakasszisztens Farmakológus szakasszisztens 2/34
-06 Farmakológus szakasszisztens feladatok A 0/007 (II. 7.) SzMM rendelettel módosított /006 (II. 7.) OM rendelet Országos Képzési Jegyzékről és az Országos Képzési Jegyzékbe történő felvétel és törlés
RészletesebbenIntelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói
Intelligens Rendszerek Elmélete dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE07 IRE 5/ Természetes és mesterséges genetikus
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
RészletesebbenNukleinsavak építőkövei
ukleinsavak Szerkezeti hierarchia ukleinsavak építőkövei Pirimidin Purin Pirimidin Purin Timin (T) Adenin (A) Adenin (A) Citozin (C) Guanin (G) DS bázisai bázis Citozin (C) Guanin (G) RS bázisai bázis
RészletesebbenKvalitatív elemzésen alapuló reakciómechanizmus meghatározás
Kvalitatív elemzésen alapuló reakciómechanizmus meghatározás Varga Tamás Pannon Egyetem, Folyamatmérnöki Intézeti Tanszék IX. Alkalmazott Informatika Konferencia ~ AIK 2011 ~ Kaposvár, Február 25. Tartalom
RészletesebbenTechnológiai-üzemeltetési stratégiák csoportosítása hisztorikus idsorok szimbolikus epizód reprezentációján alapulva
Technológiai-üzemeltetési stratégiák csoportosítása hisztorikus idsorok szimbolikus epizód reprezentációján alapulva Balaskó B., Németh S., Abonyi J. Pannon Egyetem Folyamatmérnöki Tanszék Tartalom QTA:
RészletesebbenHamisítás, kalózkodás a szellemi tulajdon vizein Budapest, 2008. november 20. Magyar Szabadalmi Hivatal
Vigyázat hamisítják! emarks projekt intelligens informatikai megoldás a hamisítás kiszűrésére Vadász Ágnes Hamisítás, kalózkodás a szellemi tulajdon vizein Budapest, 2008. november 20. 1 Hamisítási esetek
Részletesebben3. Sejtalkotó molekulák III.
3. Sejtalkotó molekulák III. Fehérjék, fehérjeszintézis (transzkripció, transzláció, posztszintetikus módosítások). Enzimműködés 3.1 Fehérjék A genetikai információ egyik fő manifesztálódása Számos funkció
RészletesebbenA bioenergetika a biokémiai folyamatok során lezajló energiaváltozásokkal foglalkozik.
Modul cím: MEDICINÁLIS ALAPISMERETEK BIOKÉMIA BIOENERGETIKA I. 1. kulcsszó cím: Energia A termodinamika első főtétele kimondja, hogy a különböző energiafajták átalakulhatnak egymásba ez az energia megmaradásának
RészletesebbenGEOSTATISZTIKA II. Geográfus MSc szak. 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ
GEOSTATISZTIKA II. Geográfus MSc szak 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet A tantárgy adatlapja Tantárgy neve:
Részletesebben3. Sejtalkotó molekulák III. Fehérjék, enzimműködés, fehérjeszintézis (transzkripció, transzláció, poszt szintetikus módosítások)
3. Sejtalkotó molekulák III. Fehérjék, enzimműködés, fehérjeszintézis (transzkripció, transzláció, poszt szintetikus módosítások) 3.1 Fehérjék, enzimek A genetikai információ egyik fő manifesztálódása
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
RészletesebbenA minimális sejt. Avagy hogyan alkalmazzuk a biológia több területét egy kérdés megválaszolására
A minimális sejt Avagy hogyan alkalmazzuk a biológia több területét egy kérdés megválaszolására Anyagcsere Gánti kemoton elmélete Minimum sejt Top down: Meglevő szervezetek genomjából indulunk ki Bottom
Részletesebbenszámított mező, számított tétel
számított mező, számított tétel A pivot táblában négy számított objektumot hozhatunk létre. Ebből kettőnek a képletét közvetlenül a felhasználó szerkeszti meg, a másik kettőét a program állítja össze.
RészletesebbenBASH script programozás II. Vezérlési szerkezetek
06 BASH script programozás II. Vezérlési szerkezetek Emlékeztető Jelölésbeli különbség van parancs végrehajtása és a parancs kimenetére való hivatkozás között PARANCS $(PARANCS) Jelölésbeli különbség van
RészletesebbenÖsszeállította Horváth László egyetemi tanár
Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Intelligens Mérnöki Rendszerek Szakirány a Mérnök informatikus alapszakon Összeállította Horváth László Budapest, 2011
RészletesebbenBio-nanorendszerek. Vonderviszt Ferenc. Pannon Egyetem Nanotechnológia Tanszék
Bio-nanorendszerek Vonderviszt Ferenc Pannon Egyetem Nanotechnológia Tanszék Technológia: képesség az anyag szerkezetének, az anyagot felépítő részecskék elrendeződésének befolyásolására. A technológiai
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
RészletesebbenNUKLEINSAVAK. Nukleinsav: az élő szervezetek sejtmagvában és a citoplazmában található, az átöröklésben szerepet játszó, nagy molekulájú anyag
NUKLEINSAVAK Nukleinsav: az élő szervezetek sejtmagvában és a citoplazmában található, az átöröklésben szerepet játszó, nagy molekulájú anyag RNS = Ribonukleinsav DNS = Dezoxi-ribonukleinsav A nukleinsavak
RészletesebbenStruktúra nélküli adatszerkezetek
Struktúra nélküli adatszerkezetek Homogén adatszerkezetek (minden adatelem azonos típusú) osztályozása Struktúra nélküli (Nincs kapcsolat az adatelemek között.) Halmaz Multihalmaz Asszociatív 20:24 1 A
RészletesebbenNem kódoló RNS-ekből potenciálisan keletkező de novo fehérjék azonosítása és elemzése DIPLOMAMUNKA
Nem kódoló RNS-ekből potenciálisan keletkező de novo fehérjék azonosítása és elemzése DIPLOMAMUNKA Készítette: Kiss-Tóth Annamária Infobionika MSc Témavezető: dr. Gáspári Zoltán Pázmány Péter Katolikus
RészletesebbenHálózat hidraulikai modell integrálása a Soproni Vízmű Zrt. térinformatikai rendszerébe
Hálózat hidraulikai modell integrálása a térinformatikai rendszerébe Hálózathidraulikai modellezés - Szakmai nap MHT Vízellátási Szakosztály 2015. április 9. Térinformatikai rendszer bemutatása Működési
RészletesebbenTartalomjegyzék. Köszönetnyilvánítás. 1. Az alapok 1
Köszönetnyilvánítás Bevezetés Kinek szól a könyv? Elvárt előismeretek A könyv témája A könyv használata A megközelítés alapelvei Törekedjünk az egyszerűségre! Ne optimalizáljunk előre! Felhasználói interfészek
Részletesebben(Diszkrét idejű Markov-láncok állapotainak
(Diszkrét idejű Markov-láncok állapotainak osztályozása) March 21, 2019 Markov-láncok A Markov-láncok anaĺızise főként a folyamat lehetséges realizációi valószínűségeinek kiszámolásával foglalkozik. Ezekben
RészletesebbenOnline tartalmak konzorciumi beszerzése
Online tartalmak konzorciumi beszerzése Lencsés Ákos Sütő Péter 2018. október 10. A konzorciumi beszerzés szempontjai könyvtári oldalról A konzorciumalapítás szempontja lehet: földrajzi elhelyezkedés;
RészletesebbenBioinformatika 2 1. előadás
1. előadás Prof. Poppe László BME Szerves Kémia és Technológia Tsz. Bioinformatika proteomika Előadás és gyakorlat Bioinformatika Mi az? Bioinformatika: Tágabb értelemben: biológiai információ tárolása,
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
RészletesebbenHidden Markov Model. March 12, 2013
Hidden Markov Model Göbölös-Szabó Julianna March 12, 2013 Outline 1 Egy példa 2 Feladat formalizálása 3 Forward-algoritmus 4 Backward-algoritmus 5 Baum-Welch algoritmus 6 Skálázás 7 Egyéb apróságok 8 Alkalmazás
RészletesebbenA fehérjék térszerkezetének jóslása (Szilágyi András, MTA Enzimológiai Intézete)
A fehérjék térszerkezetének jóslása (Szilágyi András, MTA Enzimológiai Intézete) A probléma bonyolultsága Általánosságban: találjuk meg egy tetszőleges szekvencia azon konformációját, amely a szabadentalpia
RészletesebbenAntigén, Antigén prezentáció
Antigén, Antigén prezentáció Biológiai Intézet Immunológiai Tanszék Bajtay Zsuzsa ELTE, TTK Biológiai Intézet Immunológiai Tanszék ORFI Klinikai immunológia tanfolyam, 2019. február. 26 Bev. 2. ábra Az
RészletesebbenSzámítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések
BLSZM-09 p. 1/17 Számítógépes döntéstámogatás Döntések fuzzy környezetben Közelítő következtetések Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
RészletesebbenIntelligens adatelemzés
Antal Péter, Antos András, Horváth Gábor, Hullám Gábor, Kocsis Imre, Marx Péter, Millinghoffer András, Pataricza András, Salánki Ágnes Intelligens adatelemzés Szerkesztette: Antal Péter A jegyzetben az
RészletesebbenA fehérjék hierarchikus szerkezete
Fehérjék felosztása A fehérjék hierarchikus szerkezete Smeller László Semmelweis Egyetem Biofizikai és Sugárbiológiai Intézet Biológiai funkció alapján Enzimek (pl.: tripszin, citokróm-c ) Transzportfehérjék
RészletesebbenSzövegbányászati rendszer fejlesztése a Magyar Elektronikus Könyvtár számára
Szövegbányászati rendszer fejlesztése a Magyar Elektronikus Könyvtár számára Vázsonyi Miklós VÁZSONYI Informatikai és Tanácsadó Kft. BME Információ- és Tudásmenedzsment Tanszék 1/23 Tartalom A MEK jelenlegi
RészletesebbenGrid felhasználás: alkalmazott matematika
Grid felhasználás: alkalmazott matematika Konvex testek egyensúlyi osztályozása a Saleve keretrendszerrel Kápolnai Richárd 1 Domokos Gábor 2 Szabó Tímea 2 1 BME Irányítástechnika és Informatika Tanszék
RészletesebbenAz AHL szabályzórendszer génjei. Doktori disszertáció tézisei. Pázmány Péter Katolikus Egyetem Információs Technológiai és Bionikai Kar
A bakteriális kommunikáció és kooperáció génjeinek elhelyezkedése ismert genomokban. Az AHL szabályzórendszer génjei. Doktori disszertáció tézisei Pázmány Péter Katolikus Egyetem Információs Technológiai
RészletesebbenAlkalmazásokban. Dezsényi Csaba Ovitas Magyarország kft.
Tudásmodellezés Kereskedelmi Alkalmazásokban Dezsényi Csaba Ovitas Magyarország kft. Tudásmenedzsment Adat -> Információ -> Tudás Intézményi tudásvagyon hatékony kezelése az üzleti célok megvalósításának
RészletesebbenTermék modell. Definíció:
Definíció: Termék modell Összetett, többfunkciós, integrált modell (számítógépes reprezentáció) amely leír egy műszaki objektumot annak különböző életfázis szakaszaiban: tervezés, gyártás, szerelés, szervízelés,
RészletesebbenKövetelmény a 7. évfolyamon félévkor matematikából
Követelmény a 7. évfolyamon félévkor matematikából Gondolkodási és megismerési módszerek Elemek halmazba rendezése több szempont alapján. Halmazok ábrázolása. A nyelv logikai elemeinek helyes használata.
RészletesebbenA bakteriális kommunikáció és kooperáció génjeinek elhelyezkedése ismert genomokban.
A bakteriális kommunikáció és kooperáció génjeinek elhelyezkedése ismert genomokban. Az AHL szabályzórendszer génjei. Pázmány Péter Katolikus Egyetem Információs Technológiai és Bionikai Kar Multidiszciplináris
RészletesebbenAz informatika kulcsfogalmai
Az informatika kulcsfogalmai Kulcsfogalmak Melyek azok a fogalmak, amelyek nagyon sok más fogalommal kapcsolatba hozhatók? Melyek azok a fogalmak, amelyek más-más környezetben újra és újra megjelennek?
RészletesebbenBiomolekulák nanomechanikája A biomolekuláris rugalmasság alapjai
Fogorvosi Anyagtan Fizikai Alapjai Biomolekulák nanomechanikája A biomolekuláris rugalmasság alapjai Mártonfalvi Zsolt Biofizikai és Sugárbiológiai Intézet Semmelweis Egyetem Budapest Biomolekulák mint
RészletesebbenMatematika. 1. osztály. 2. osztály
Matematika 1. osztály - képes halmazokat összehasonlítani az elemek száma szerint, halmazt alkotni; - képes állítások igazságtartalmának eldöntésére, állításokat megfogalmazni; - halmazok elemeit összehasonlítja,
RészletesebbenA tanári mesterszak pedagógiai - pszichológiai egysége
A tanári mesterszak pedagógiai - pszichológiai egysége (Tanári záróvizsga témakörök szakmódszertanból) 1. A tanár szerepe a hatékony kémiatanításban. Kémia szakkörök, fakultációs foglalkozások vezetésének
RészletesebbenA biomassza energetikai hasznosítása és a DANUBIOM projektötlet. Kohlheb Norbert Szent István Egyetem Bioeuparks tréning 2015.December 8.
A biomassza energetikai hasznosítása és a DANUBIOM projektötlet Kohlheb Norbert Szent István Egyetem Bioeuparks tréning 2015.December 8. Budapest Potenciálok Elméleti potenciál Műszaki potenciálok Gazdaságitársadalmi
Részletesebben,:/ " \ OH OH OH - 6 - / \ O / H / H HO-CH, O, CH CH - OH ,\ / "CH - ~(H CH,-OH \OH. ,-\ ce/luló z 5zer.~ezere
- 6 - o / \ \ o / \ / \ () /,-\ ce/luló z 5zer.~ezere " C=,1 -- J - 1 - - ---,:/ " - -,,\ / " - ~( / \ J,-\ ribóz: a) r.yílt 12"('.1, b) gyürus íormája ~.. ~ en;én'. fu5 héli'(ef1e~: egy menete - 7-5.
Részletesebben