A tantárgyleírás hatályossága
Hatályosság kezdete:
—
Hatályosság vége:
—
| Subject name (Hungarian, English) |
Bioinformatika
Bioinformatics
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Subject code | BMEVIMM9179 | ||||||||||||
| Subject type | — | ||||||||||||
| Training Level | — | ||||||||||||
| Course types and hours (weekly/semester) |
|
||||||||||||
| Assessment type | vizsga | ||||||||||||
| Credits | 3 | ||||||||||||
| Subject coordinator |
DR. Antal Péter
position: egyetemi docens
contact:
antal.peter@vik.bme.hu
|
||||||||||||
| Responsible department |
—
|
||||||||||||
| Faculty | |||||||||||||
| Subject website | — | ||||||||||||
| Primary curriculum type | — | ||||||||||||
| Direct prerequisites – Strong prerequisite | none | ||||||||||||
| Direct prerequisites – Weak prerequisite | none | ||||||||||||
| Direct prerequisites – Parallel prerequisite | none | ||||||||||||
| Direct prerequisites – Milestone prerequisite | none | ||||||||||||
| Direct prerequisites – Exclusion | none |
Objectives
Programme
- Genomika, poszt-genomika és in silico biológia. Biológiai alapok. Szekvencia adatok. Génchipek, génkifejeződés adatok, tárolási szabványok és statisztikai előfeldolgozás. Távlatok, ígéretek, farmakogenomika és személyre szabott gyógyszerek.
- Szekvencia elemzés I. Páronkénti illesztés. Rejtett Markov modellek. Többszörös illesztés. Rejtett Markov modell profil konstrukció. Motif keresés.
- Szekvencia elemzés II.
- Nyelvtanok felhasználása szekvencia modellezésben. Környezetlen független sztochasztikus nyelvtanok felhasználása.
- Gén predikció. Promoter predikció. Esettanulmány: heterogén a priori ismeretek integrált valószínűségi felhaszálása mikrobiális promoter predikció esetén.
- Fehérje osztályozás és predikció. Terminológia és alapvető módszerek.
- Filogenetikai algoritmusok. Evolúciós modellek. Fa-rekonstrukciós módszerek.
- Génkifejeződés adatok (profilok) statisztikai elemzése kluszterezéssel I. Kluszterező módszerek. A kiértékelés értelmezés problémája.
- Génkifejeződés adatok (profilok) statisztikai elemzése kluszterezéssel. II
- Génkifejeződés adatok (profilok) statisztikai elemzése interakciós hálózati modellekkel I. Valószínűségi gráf modellek, Bayes hálók és Markov hálók. Valószínűségi gráf modellek bioinformatikai alkalmazásai. Az a priori szakterületi ismeretek felhasználásának problémája.
- Génkifejeződés adatok (profilok) statisztikai elemzése interakciós hálózati modellekkel. II
- Szövegbányászat-i módszerek I. Információ keresés. Gén és fehérje név felismerés. Relációk automatikus kivonatolása szintaktikai (nyelvészeti) és statisztikai módszerekkel. Szakirodalmi hálók és tudásbázisok automatikus építése. A szövegbányászat eredményeinek felhasználása a statisztikai adatelemzésben.
- Szövegbányászat-i módszerek II.
- Biológia/orvosbiológiai adat és tudásbázisok, internetes szolgáltatások és integrációs eszközök áttekintése. Szekvencia adatbázisok: GenBank, EMBL, ExProt, SWISS-PROT/TrEMBL, PIR,TRANSFAC. Fehérje motif adatbázisok: Blocks, InterPro, Pfam, PRINTS, SUPFAM, PROSITE. Fehérje struktúra adatbázisok: PDB, MMDB. Génaktivitás-mintázatok adatbázisai: GEO, YMG.V Molekuláris kölcsönhatások adatbázisai: BIND, DIP, BRENDA. Metabolikus hálózat tudásbázisok: EcoCyc, MetaCyc, GeneNet Mutációs adatbázisok: OMIM. Ontológiák, tezauruszok: Gene Ontology, Unified Medical Language System. Publikációs adatbázisok: MEDLINE/PubMed.
Az 1990-es évek technikai áttörései alapvető változást hoztak a biológiai/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 rendkívül gyors növekedése kikényszerítette, hogy az adatok elemzése elosztottan, az internet segítségével megy végbe, elosztott adat és tudásbázisok, szolgáltatások százainak a segítségével. Az egységesen bioinformatikának nevezett terület az 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.
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.
Learning outcomes
Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:
Knowledge
No learning outcomes recorded.
Skills
No learning outcomes recorded.
Attitudes
No learning outcomes recorded.
Autonomy and responsibility
No learning outcomes recorded.
Oktatási módszertan
:
Előadás
Tanulástámogató anyagok
Not provided.
Recommended preliminary knowledge for completing the subject
Knowledge type competencies
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Valószínűségszámítás, Algoritmusok elmélete, Adatbázisok, Mesterséges intelligencia
Skill type competencies
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Recommended (non-compulsory) preliminary competencies
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
Valószínűségszámítás, Algoritmusok elmélete, Adatbázisok, Mesterséges intelligencia
General rules
Követelmények:
a. A szorgalmi időszakban: Házi feladat, egy adott problémához kapcsolódó cikk, cikkek elolvasása és írásbeli beszámoló vagy algoritmus készítése. A feladat átvétele 8. hét végéig lehetséges, leadása vagy bemutatása a 13.hét végéig kötelező. A félévi aláírás és a vizsgára bocsátás feltétele a házi feladat helyes megoldása.
b. A vizsgaidőszakban: Írásbeli és szóbeli vizsga.
Pontozás: a pontszám 1/3 része házi feladatból, 1/3 része az írásbeliből és 1/3 része szóbeliből áll össze.
Elővizsga: Igény szerint.
Pótlási lehetőségek:
A házi feladatot a vizsgaidőszak első három hetében lehet pótolni.
Assessment methods
In-term assessments
No detailed assessments provided.
Weight of in-term assessments
No weights provided.
Exam-period assessments
No detailed assessments provided.
Weight of exam elements
No weights provided.
Grade calculation
No grade thresholds provided.
Attendance requirements
No attendance requirements provided.
Rules for retake and resubmission
Not provided.
Short description
Not provided.
Detailed description
Not provided.
Recommended courses
Ajánlott az intelligens szakirányok hallgatói számára
Workload to complete the subject
No workload breakdown provided.
Validity of subject requirements
Requirements valid from:
—
Requirements valid until:
—
Curriculum placement
No curriculum placements recorded for this subject version.