K-INFO
HU
EN
Login

Bioinformatics

Bioinformatika
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)
Course type lecture tutorial laboratory
hours (weekly) 2 0 0
type (linked/independent)
Assessment type vizsga
Credits 3
Subject coordinator
DR. Antal Péter
position: egyetemi docens
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
  1. 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.
  2. Szekvencia elemzés I. Páronkénti illesztés. Rejtett Markov modellek. Többszörös illesztés. Rejtett Markov modell profil konstrukció. Motif keresés.
  3. Szekvencia elemzés II.
  4. Nyelvtanok felhasználása szekvencia modellezésben. Környezetlen független sztochasztikus nyelvtanok felhasználása.
  5. Gén predikció. Promoter predikció. Esettanulmány: heterogén a priori ismeretek integrált valószínűségi felhaszálása mikrobiális promoter predikció esetén.
  6. Fehérje osztályozás és predikció. Terminológia és alapvető módszerek.
  7. Filogenetikai algoritmusok. Evolúciós modellek. Fa-rekonstrukciós módszerek.
  8. Génkifejeződés adatok (profilok) statisztikai elemzése kluszterezéssel I. Kluszterező módszerek. A kiértékelés értelmezés problémája.
  9. Génkifejeződés adatok (profilok) statisztikai elemzése kluszterezéssel. II
  10. 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.
  11. Génkifejeződés adatok (profilok) statisztikai elemzése interakciós hálózati modellekkel. II
  12. ‘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.
  13. ‘Szövegbányászat’-i módszerek II.
  14. 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.