Bioinformatika

Az 1990-es évek technikai áttörései alapvető változást hoztak a biológiai és orvosi kutatások számára. Egyrészt a genom programokhoz kötődően egyre több organizmus teljes genetikai szekvenciája vált és válik ismertté, másrészt a �gén-chip�-ek segítségével nagyszámú (�összes�) gén aktivitásának egyidejű megfigyelése is lehetővé vált. A biológiai adatok mennyiségének és dimenzióinak több nagységrendbeli hirtelen megnövekedése egy tudománytörténeti fordulópontot jelent a biológia és biomedicinák számára, amit jelez egy új tudományágnak a bioninformatikának a létrejötte is. Az egységesen �bioinformatikának� nevezett terület a statisztikai adatelemzésnek, a tudásmérnökségnek, a mesterséges intelligencia kutatásoknak, a számítógépes nyelvészetnek és az informatikának is húzóágazata, trend teremtője lett. Ez különösen igaz az ezek integrálását jelentő �intelligens rendszerek� kutatására és fejlesztésére, mivel a biológiai adatok elemzése tipikusan elosztottan, az internet segítségével megy végbe, elosztott adat és tudásbázisok, szolgáltatások százainak a segítségével.. A tárgy a bioinformatika statisztikai, algoritmikai, információtechnológiai és tudásreprezentációs aspektusait mutatja be, egyrészt az alapvető ismeretek átadását, másrészt egyes aktuális kutatási témák bemutatását célozva. Bevezetésként a biológiában végbe ment paradigmaváltást ismertetjük (genomika, proteomika szemlélet), illetve az ezeket lehetővé tevő szekvencia adatok és génkifejeződés adatok (génchip adatok) természetét. Ezt követően a szekvenciák illesztéséhez, kereséséhez és elemzéséhéz kapcsolódó módszereket, illetve alapvető gén és fehérje predikciós módszereket ismertetünk. A génkifejeződés adatok elemzésénél különféle kluszterező módszereket mutatunk be, illetve részletesen bemutatjuk a valószínűségi gráf modellek (Bayes és Markov hálók) felhasználását. Az �adatbányászati� módszerek mellett bemutatunk �szövegbányászat�-i módszereket is, illetve ezek kapcsolódását a statisztikai adatelemzéshez. Végül betekintést adunk biológiai adat és tudásbázisokba, internetes szolgáltatásokba és integrálásukba.

Előadás és gyakorlat

Biological Sequence Analysis : Probabilistic Models of Proteins and Nucleic Acids by Richard Durbin (Author), Sean R. Eddy (Author), Anders Krogh (Author), Graeme Mitchison (Author); Statistical Methods in Bioinformatics: An Introduction by Gregory R. Grant, Warren J. Ewens; Bioinformatics: Sequence and Genome Analysis by David W. Mount; DNA Microarrays and Gene Expression : From Experiments to Data Analysis and Modeling by Pierre Baldi (Author), G. Wesley Hatfield (Author), Wesley G. Hatfield; Bioinformatics: The Machine Learning Approach, Second Edition (Adaptive Computation and Machine Learning) by Pierre Baldi, Soren Brunak, Sren Brunak; Bioinformatics: Databases and Systems by Stanley Letovsky (Editor); Modern Information Retrieval by R. Baeza-Yates, Berthier Ribeiro-Neto, Ricardo Baeza-Yates; Learning in Graphical Models (Adaptive Computation and Machine Learning) by Michael Irwin Jordan (Editor); Graphical Models (Oxford Statistical Science Series, 17) by Steffen L. Lauritzen

Követelmények: a. A szorgalmi időszakban: ·egy házi feladat, melynek kiadása a 4. oktatási héten történik. A házi feladat bemutatása és értékelése egy közös nyilvános bemutató keretében történik a 13. oktatási héten . A megoldás működését a bemutató keretében egy előadással és demonstrációval kell demonstrálni, és ugyanezen alkalommal a dokumentációt is le kell adni.  A házi feladatra max. 50 pontot lehet kapni, a szükséges minimum a pontok 40%-a. b. pótlási héten: elővizsga igény szerint.  b. A vizsgaidőszakban: írásbeli vizsga. A vizsgára bocsátás feltétele a házi feladat minimális szintű teljesítése. c. Osztályozás: A vizsga osztályzata a vizsgaeredmény alapján kerül megállapításra.     Pótlási lehetőségek: A házi feladat beadás a pótlási héten előzetesen megadott bemutató időpontjában, a dokumentáció egyidejű leadása mellett pótolható.

Valószínűségszámítás, Algoritmusok elmélete, Mesterséges intelligencia