Statystyczna analiza danych
|
|
- Lidia Staniszewska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Statystyczna analiza danych ukryte modele Markowa, zastosowania Anna Gambin Instytut Informatyki Uniwersytet Warszawski
2 plan na dziś Ukryte modele Markowa w praktyce modelowania rodzin białek multiuliniowienia znajdowanie genów
3 model rodziny białek Cele: zbudowanie multiuliniowienia dla danej sekwencji identyfikacja rodziny
4 model rodziny białek d1 d2 d3 d4 i0 i1 i2 i3 i4 m0 m1 m2 m3 m4 m5 profilowy HMM
5 model rodziny białek długość sekwencji w przykładzie - 5 stany: match, insert, delete m0 - stan początkowy, m5 - końcowy alfabet - 20 aminokwasów plus dziura
6 model rodziny białek każdy stan typu match i insert ma swój rozkład na aa, które emituje: jeśli jest on jednostajny to emitujemy losowe sekwencje, jeśli jednopunktowy to dokładnie jedną sekwencję, jeśli pomiędzy to mamy pewną rodzinę sekwencji. stan typu delete emituje symbol dziury z prawdopodobieństwem 1
7 model rodziny białek dzięki modelowi hmm możemy zróżnicować podobieństwo różnych fragmentów sekwencji: algorytmy dynamiczne i BLAST mają ustalony parametr na karanie przerwy oraz jedną tablicę substytucyjną dla całej sewencji. hmm pozwala na zróżnicowanie tych parametrów w szczególności kara za przerwę może być w każdym miejscu inna. białka posiadają słabo i silnie konserwowane regiony (domenty funkcyjne).
8 model rodziny białek i0 gap open penalty i0 m0 gap extention penalty zaczynamy od treningu (czyli estymacji parametrów) alg. Bauma-Welcha, długość modelu - średnia długość sekwencji w rodzinie, inicjalizacja parametrów - rozkłady jednostajne.
9 hmm i multiuliniowienia
10 hmm i multiuliniowienia używamy sekwencji do wytrenowania modelu hmm (alg. Bauma-Welcha). dla każdej sekwencji algorytmem Viterbiego liczymy najbardziej prawdopodobną trajektorię stanów łańcucha. konstruujemy uliniowienie: dwa aminokwasy są w jednej kolumnie jeśli są wyemitowane w tym samym stanie typu match.
11 hmm i multiuliniowienia m0 m1 m2 m3 m4 d5 d6 m7 m8 m9 m10 C A E F D D H C D A E F P D DH m0 m1 i1 m2 m3 m4 d5 m6 m7 m8 m9 m10
12 hmm i multiuliniowienia C - A E F - D D H C D A E F P D D H
13 hmm i multiuliniowienia C A E F T P A V H C K E T T P A D H C A E T P D D H C A E F D D H C D A E F P D D H
14 hmm i multiuliniowienia m0 m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 m0 m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 m0 m1 m2 m3 d4 m5 m6 m7 m8 m9 m10 m0 m1 m2 m3 m4 d5 d6 m7 m8 m9 m10 m0 m1 i1 m2 m3 m4 d5 m6 m7 m8 m9 m10
15 hmm i multiuliniowienia C - A E F T P A V H C - K E T T P A D H C - A E - T P D D H C - A E F - - D D H C DA E F - P D D H
16 hmm i multiuliniowienia możliwe niejednoznaczności, np. dla modelu długości 2 i sekwencji: A B A C A B B A C A B A C o trajektoriach: m0 m1 i1 i1 m2 m3 m0 m1 i1 i1 i1 m2 m3 A B B A C w takich przypadkach fragmenty uliniowienia małymi literkami kodowane...
17 muliuliniowienie globin 400 białek globinowych zostało użytych do wytrenowania modelu. używając algorytmu Viterbiego uliniowiona całą rodzinę liczącą 625 białek globinowych. uzyskane uliniowienie porównane z uliniowieniem strukturalnym (które było znane dla 7 sekwencji).
18 potrafi namierzyć domeny funkcyjne w sekwencjach białek - reprezentowane jako HMMy (ponad 2000) jak annotować nową sekwencję? BLASTem znajdujemy homologi czasem sensowniej przeszukać domeny z PFAMa
19 polowanie na geny miliardy par zasad DNA do analizy: sekwencje genów poprzedzielane długimi niefunkcjonalnymi fragmentami. metody obliczeniowe automatycznej detekcji regionów kodujących bardzo pożądane. Genscan: popularne narzędzie oparte o HMMy Burge, C. and Karlin, S. (1997) Prediction of complete gene structures in human genomic DNA. J. Mol. Biol. 268,
20 emihidden Markov models p prawdopodobieństwo pozostania w stanie p n 1 (1 p) p-stwo, że czekamy n kroków rozkład geometryczny semihmm: 1.bez pętli 2.w stanie emitujemy całe słowo z dowolnego rozkładu
21 semihidden Markov models z każdym stanem losowa S związana zmienna L S Y S,l - rozkład długości słowa - rozkład na sekwencjach długości l algorytmy dla semihmm dużo bardziej skomplikowane, bo musimy nie tylko odkryć trajektorię stanów które wyemitowały daną sekwencję, ale również punkty podziału...
22 semihidden Markov models uogólniony algorytm Viterbiego nie działa w rozsądnym czasie... dodatkowe założenia niezbędne: długości długich regionów międzygenowych mają rozkład geometryczny. sekwencje w tych regionach typu iid.
23 semihidden Markov models DEF: parsowanie to sekwencja stanów q 1,g 2,...q r i długości d 1,d 2,...d r dla danej sekwencji s algorytm Viterbiego znajduje optymalne parsowanie że opt takie, P ( opt s) P ( s) dla wszystkich parsowań czyli opt z największym prawdopodobieństwem wyemitowało sekwencję s
24 struktura genu - powtórka długość około 500 bp region UTR podlega transkrypcji, ale nie translacji
25 struktura genu - powtórka
26 struktura genu - powtórka ma go 70% genów Scientific American image
27
28 r. geometryczny sekwencja dł. generowana przez ŁM rzędu 5
29 jednostajny: geometryczny: średnia 735
30 promotor ekson ekson końcowy genscan ' 6. ' 6 ' 3 ' -. :3 35 3;:; 3) 5 początkowy '.> ' ' 6. ' ( ' 3+ 6 ' :3 3 :3. 3: apple5 3 :3. 3: " 5 3 " 5 ' ' 30 3: (3) 3 0 : 6 >3 ' 6 '. >3 ' ' 7 ' : ' +" 5 : 373) ( 3 + :3 3 ( ' 7 ' '. 0 +" 5 ' 3) ( ' ' ' " ( >' ' 3) (' " 5 3 ' 3) (' " 5 ' ' 30 3: (3) 3 0 : 6 '6 3 >3. 0 >3 -'03 - ' : ' +" 5 -'037 Thursday, March 20, - ' 14 : ' " ' 0 ( >' 3 ( :3. 3: 5 3.; ( 33 : 3 3: ' +5 &>.> '-.. ' - * :.' ; 1 3 >' ' 0 3 ' 3) 03 ' 3 0 $ 030 '.. 0 : ## >' 3%%5 &>.>. 3-3 ' 30 >3 3'0 : 6 ' 3; > 5 ' &>.> 6' *3 & pojedynczy ekson >' 3 " '6 3 >3 8 *' 3 6 '. 0 5 >' 3 " '6 3 > *' 3 6 '. 0 5 >' $3 -; 3 ' 3) ' 3 ' - 0 $ 030 '.. 0 : >3 >' 3 6 >3 3$ 7 (&>.> > >3 sygnał polya = koniec 8 *' 37 ' 6 >3 3) 5 >3.3 >3 3'0 : 6 ' 3+;. $ ' 0 ' ' ' ' ' 0 3 ' : ' transkrypcji ' ' ' 6 >3 '. ' 30 3) ;?3$3 3 ' 0 ' 3 ' 0 6 &' 0 ' 0 ' 3 ' 3 03' & > ' 3 - > &>' ' >3 3' 3 6 * > ' 0 >3 1/?, : ' ( 0 $ -! /..>5 region międzygenowy +" 33 >3 3:3 0 : 3 ; > :> 3&>' ' > *30 *-, ; ( apple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
31 introny/eksony zaczynają się po 1,2,3 bazie w kodonie... dla nici komplementarnej
32 dla każdego typu sekwencji GENSCAN modeluje rozkład długości: nieparametrycznie - histogram lub parametrycznie - r. geometryczny; skład sekwencji: łańcuch Markowa (1st, 5 stopnia, (nie)homogeniczny
33
34 zależności między kolumnami...
35 jak modelować?
36
37
38
39
40 max. dependence decomposition - MDD
41 pozycja 4 ma największy wpływ na inne...
42
43
44 budujemy drzewo...
45 trening ' 6. ' 6 ' 3 ' -. :3 35 3;:; 3) :3. 3: 5 3.; ( 33 : 3 3: ' +5 &>.> '-.. ' - * :.' ; 1 3 >' semihmma ' 0 3 ' 3) 03 ' 3 0 $ 030 '.. 0 : ## >' 3%%5 &>.>. 3-3 ' 30 >3 3'0 : 6 ' 3; > 5 ' &>.> 6' *3 & >' 3 " '6 3 >3 8 *' 3 6 '. 0 5 >' 3 " '6 3 > *' 3 6 '. 0 5 >' $3 -; 3 ' 3) ' 3 ' - 0 $ 030 '.. 0 : >3 >' 3 6 >3 3$ 7 (&>.> > >3 8 *' 37 ' 6 >3 3) 5 >3.3 >3 3'0 : 6 ' 3+;. $ ' 0 ' ' ' 2.5 ' Mb ' 0 3 bp ' : ' ' ' ' 6 >3 '. ' 30 3) ;?3$3 3 ' 0 ' 3 ' 0 6 &' 0 ' 0 ' 3 ' 3 03' & > ' 3 - > &>' ' >3 3' 3 6 * > ' 0 >3 1/?, 380 : ' ( genów 0 $ -! /..>5 +" 33 >3 3:3 0 : 3 ; > :> 3&>' ' > *30 *-, ; ( apple+5 03 * ' ' - 3 :3 3 ' >' ( + : 3 ' &3 ' 73) :3 3 " ( '03 - ' : ' ' 0 3 : " ' 0 ( + :3 3.. : 3 >3 * > 1 ' 0 ; '00 5 ' $ -5 ' ' ' &3 '. 3 3 :3 3 ' ' > :3 3 >3 ' ; > >3 3 3 ' eksony. 3 6 $3 7 3* ' 3 : * : : 3..' *3 03. *30 *- > 03. 3; >3 '* 3 ' ' 3 >' $3 ' : '. ( *'* - ' 3+.' *3 >' 0 30 ' 0 >' ' 3 ' $3 7. : 3) ' ; introny > ' /' $ $3 3-6 ' 30 ' ' 3). ' ' 003 /' $ / 03 ( //+ 6 >3 '.> ' ' 6. ' ( ' 3+ 6 ' :3 3 :3. 3: apple5 3 : *30 *-?'* 3 ( +; 3=-5 >3 03 3: " 5 3 " 5 ' ' 30 3: (3) 3 0 : > :> 6 ' :3 3 ' : ' ## ' 3%% 5. : 6 >3 ' 6 '. >3 ' ' 7 6 ' ' ' : ' +" 5 : 373) ( 3 + :3 3 ( ' 7 & > ' '. ' : > (0 ' +5 ' '. 0 +" 5 ' 3) ( ' '... &>.>5 : *'*. ' " ( >' '.> 6 >3 ' :3 3 ' 3 ' 1 3 ' 3) (' " : > ; >3 :3 3 ' 5 3 ' 3) (' " 6 ' ' : ' ( ' ' 30 3: (3) 3 0 : 6 '6 3 >3. 0 >3 -'03 - ' : ' +" 5 -' : > ' 6 & Thursday, March 20, - ' 14 : ' " ' 0 ( >' 3 ( 33 ( + ' ' 3.> 3 '.. 0 : 142 z pojedynczym eksonem
46 Y N,l generowane przez łańcuch Markowa rzędu 5 (3072 parametry) genscan ' 6. ' 6 ' 3 ' -. :3 35 3;:; 3) 5 3 :3. 3: 5 3.; ( 33 : 3 3: ' +5 &>.> '-.. ' - * :.' ; 1 3 >' ' 0 3 ' 3) 03 ' 3 0 $ 030 '.. 0 : ## >' 3 założenie: w danym &>.>. 3-3 ' 30 >3 3'0 : 6 ' 3; > ' &>.> 6' *3 & odcinku >' 3 " '6 3 liczba >3 8 *' 3genów 6 '. 0-5 >' 3 '6 3 > *' 3 6 '. 0 5 >' rozkład Poissona $3 -; 3 ' 3) ' 3 ' 0 $ 030 '.. 0 : >3 >' 3 6 >3 3$ (&>.> > > odległość 8 *' 37 ' 6 między >3 3) 5 >3 nimi.3 >3-3'0 6 ' 3+;. $ ' 0 ' ' ' ' ' 0 3 ' : ' ' ' ' 6 >3 '. ' 30 3) ; rozkład wykładniczy?3$3 3 ' 0 ' 3 ' 0 6 &' 0 ' 0 ' ' 3 03' & > ' 3 - > 03 5 &>' ' >3 3' 3 6 * > ' 0 > 1/?, : ' ( 0 $ -! /.. +" 33 >3 3:3 0 : 3 ; > :> 3&> ' L > *30 *-, ; ( apple 03 N r. geometryczny * ' ' - 3 :3 3 ' >'. 03 ( + : 3 ' &3 ' 73) :3 3 " ( 3 5 -'03 - ' : ' ' 0 3 : " ' 0 ( + :3 3.. : 3 >3 * 1 ' 0 ; '00 5 ' $ ' ' ' &3 '. 3 3 :3 3 ' ' > :3 3 >3 ' 3 3.3; > 5 >3 3 3 '. 3 6 $3 3* ' 3 : *
47 dł. intronów r. geometryczny '.> ' ' 6. ' ( ' 3+ 6 ' :3 3 :3. 3: apple5 3 :3. 3: " 5 3 " 5 ' ' 30 3: (3) 3 0 : 6 >3 ' 6 '. >3 ' ' 7 macierz wag 8 *' 37 ' 6 >3 3) 5 >3. 6 ' 3+;. $ ' ' ' ' ' 0 3 ' ' ' 6 >3 '. '?3$3 3 ' 0 ' 3 ' 0 6 &' ' 3 03' & > ' 3 - > macierz wag &>' ' >3 3' 3 6 * > 1/?, : ' ( 0 $ - +" 33 >3 3:3 0 : 3 ; > rozmiaru 15 ' > *30 *-, 03 * ' ' - 3 : ( + : 3 ' &3 ' '03 - ' : ' " ' 0 ( + :3 3.. : 1 ' 0 ; '00 5 ' 3 ' ' ' &3 '. 3 3 :3 3 ' 3 > : ; > 5 >3 3 3 '. 3* ' 3 : : : 3..' * wyuczony > 03. łańcuch 3; >3 ' ' 3 >' $3 ' : '. Markowa ' 3+.' *3 >' rzędu 0 30 ' 50 >' '. : 3). - ' ; > ' /. $3 3-6 ' 30 ' ' 3) ' 003 /' $ / 03 ( / 03. *30 *-?'* 3 ( +; 3=- > :> 6 ' :3 3 ' : ' ## ' 3% 6 ' ' 3 5 genscan
48 genscan algorytmem Viterbiego znajdujemy optymalne parsowanie: 5,>, : 7, 7 $7 37 "! -,337! 9 7 9! + <, > 7. 7, :7, $ 7 1 /, apple , >,29, 5 A %0 apple >@ : +, 5, 5, +,/ 7 $7 37 7(7 7-3 apple< 7 7, 21, 59 /7 7 $7 37 7? A %0 %% +, 7, 7 (7 ->,?> (1# =, apple 7< :, 2 $, 2, +?. 47, 5 apple, 7 3, apple :, 9 7,, 5 > 7< 7. > @ +<@7,5 <, ,/ (71 +@ 3@ 3,$ >@ $7 47? 37 A % , apple7 -, 7, 7, 7. 19, A %0 7., +, 7, 7.? 7 7, 7 75 >7 7> % 8, 5 ;%1, , 7 2 apple 7375 = 3 5 > 7. >7 6 6 apple >7 7, 7,/7 33$, 7 $7 /77 57, 75 : 6 6 (7 7. > apple >, 9 7 +@ 3@ $ 7 apple < 7 7 $7 >2 :, 9, @7 apple >, 3, /7 $ >@ 7= apple 75 3< /2 $/ >7 3 7> 3 7< apple 5 apple >7 7 + apple 7, apple apple >, ; <
października 2013: Elementarz biologii molekularnej. Wykład nr 2 BIOINFORMATYKA rok II
10 października 2013: Elementarz biologii molekularnej www.bioalgorithms.info Wykład nr 2 BIOINFORMATYKA rok II Komórka: strukturalna i funkcjonalne jednostka organizmu żywego Jądro komórkowe: chroniona
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Łańcuchy Markowa: zagadnienia graniczne. Ukryte modele Markowa. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ KLASYFIKACJA STANÓW Stan i jest osiągalny
Bardziej szczegółowoWyszukiwanie podobnych sekwencji w bazach danych. Wyszukiwanie w sekwencji nukleotydów czy aminokwasów? Czułość i selektywność
Wersja 1.05 Wprowadzenie do Informatyki Biomedycznej Wykład 3: Wyszukiwanie w bazach sekwencji Przewidywanie genów Wydział Informatyki PB Marek Krętowski pokój 206 e-mail: m.kretowski@pb.edu.pl http://aragorn.pb.bialystok.pl/~mkret
Bardziej szczegółowoWstęp do Biologii Obliczeniowej
Wstęp do Biologii Obliczeniowej Zagadnienia na kolokwium Bartek Wilczyński 5. czerwca 2018 Sekwencje DNA i grafy Sekwencje w biologii, DNA, RNA, białka, alfabety, transkrypcja DNA RNA, translacja RNA białko,
Bardziej szczegółowoBudowa kwasów nukleinowych
Bioinformatyka (wykład monograficzny) wykład 2. E. Banachowicz Zakład Biofizyki Molekularnej IF UAM http://www.amu.edu.pl/~ewas Budowa kwasów nukleinowych Kwasy nukleinowe (DA i RA) zbudowane są z nukleotydów
Bardziej szczegółowoModelowanie motywów łańcuchami Markowa wyższego rzędu
Modelowanie motywów łańcuchami Markowa wyższego rzędu Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki 23 października 2008 roku Plan prezentacji 1 Źródła 2 Motywy i ich znaczenie Łańcuchy
Bardziej szczegółowoBIOINFORMATYKA. edycja 2016 / wykład 11 RNA. dr Jacek Śmietański
BIOINFORMATYKA edycja 2016 / 2017 wykład 11 RNA dr Jacek Śmietański jacek.smietanski@ii.uj.edu.pl http://jaceksmietanski.net Plan wykładu 1. Rola i rodzaje RNA 2. Oddziaływania wewnątrzcząsteczkowe i struktury
Bardziej szczegółowoPrzewidywanie genów i budowa białek
Instytut Informatyki i Matematyki Komputerowej UJ, opracowanie: mgr Ewa Matczyńska, dr Jacek Śmietański Przewidywanie genów i budowa białek Pytanie na dzisiaj: Jak odnaleźć gen w sekwencji DNA? CTTACTTCGAAGGCTGTGCTCCGCTCACCATCCAGAGCGGAGGTGCGGACCTTAAACTCACTCCTGGAGA
Bardziej szczegółowoDopasowania par sekwencji DNA
Dopasowania par sekwencji DNA Tworzenie uliniowień (dopasowań, tzw. alignmentów ) par sekwencji PSA Pairwise Sequence Alignment Dopasowania globalne i lokalne ACTACTAGATTACTTACGGATCAGGTACTTTAGAGGCTTGCAACCA
Bardziej szczegółowoSpis treści. Przedmowa... XI. Wprowadzenie i biologiczne bazy danych. 1 Wprowadzenie... 3. 2 Wprowadzenie do biologicznych baz danych...
Przedmowa... XI Część pierwsza Wprowadzenie i biologiczne bazy danych 1 Wprowadzenie... 3 Czym jest bioinformatyka?... 5 Cele... 5 Zakres zainteresowań... 6 Zastosowania... 7 Ograniczenia... 8 Przyszłe
Bardziej szczegółowoBUDOWA I FUNKCJA GENOMU LUDZKIEGO
BUDOWA I FUNKCJA GENOMU LUDZKIEGO Magdalena Mayer Katedra i Zakład Genetyki Medycznej UM w Poznaniu 1. Projekt poznania genomu człowieka: Cele programu: - skonstruowanie szczegółowych map fizycznych i
Bardziej szczegółowoAutomatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, Spis treści
Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, 2011 Spis treści Przedmowa 11 Rozdział 1. WPROWADZENIE 13 1.1. Czym jest automatyczne rozpoznawanie mowy 13 1.2. Poziomy
Bardziej szczegółowoStatystyczna analiza danych
Statystyczna analiza danych ukryte modele Markowa, algorytm EM Anna Gambin Instytut Informatyki Uniwersytet Warszawski ńczonymi l łańcuch Markowa Q, zbiór stanów M = (p k,l ) k,l Q, stochastyczna ścia
Bardziej szczegółowoWykład 14 Biosynteza białek
BIOCHEMIA Kierunek: Technologia Żywności i Żywienie Człowieka semestr III Wykład 14 Biosynteza białek WYDZIAŁ NAUK O ŻYWNOŚCI I RYBACTWA CENTRUM BIOIMMOBILIZACJI I INNOWACYJNYCH MATERIAŁÓW OPAKOWANIOWYCH
Bardziej szczegółowoPorównywanie i dopasowywanie sekwencji
Porównywanie i dopasowywanie sekwencji Związek bioinformatyki z ewolucją Wraz ze wzrostem dostępności sekwencji DNA i białek pojawiła się nowa możliwość śledzenia ewolucji na poziomie molekularnym Ewolucja
Bardziej szczegółowoTATA box. Enhancery. CGCG ekson intron ekson intron ekson CZĘŚĆ KODUJĄCA GENU TERMINATOR. Elementy regulatorowe
Promotory genu Promotor bliski leży w odległości do 40 pz od miejsca startu transkrypcji, zawiera kasetę TATA. Kaseta TATA to silnie konserwowana sekwencja TATAAAA, występująca w większości promotorów
Bardziej szczegółowoMODELOWANIE STOCHASTYCZNE CZĘŚĆ II - ŁAŃCUCHY MARKOWA. Biomatematyka Dr Wioleta Drobik-Czwarno
MODELOWANIE STOCHASTYCZNE CZĘŚĆ II - ŁAŃCUCHY MARKOWA Biomatematyka Dr Wioleta Drobik-Czwarno Polecane Łańcuchy Markowa wizualnie: http://setosa.io/ev/markov-chains/ Procesy stochastyczne Procesem stochastycznym
Bardziej szczegółowoCo to jest transkryptom? A. Świercz ANALIZA DANYCH WYSOKOPRZEPUSTOWYCH 2
ALEKSANDRA ŚWIERCZ Co to jest transkryptom? A. Świercz ANALIZA DANYCH WYSOKOPRZEPUSTOWYCH 2 Ekspresja genów http://genome.wellcome.ac.uk/doc_wtd020757.html A. Świercz ANALIZA DANYCH WYSOKOPRZEPUSTOWYCH
Bardziej szczegółowoPODSTAWY BIOINFORMATYKI WYKŁAD 4 DOPASOWANIE SEKWENCJI
PODSTAWY BIOINFORMATYKI WYKŁAD 4 DOPASOWANIE SEKWENCJI DOPASOWANIE SEKWENCJI 1. Dopasowanie sekwencji - definicja 2. Wizualizacja dopasowania sekwencji 3. Miary podobieństwa sekwencji 4. Przykłady programów
Bardziej szczegółowoDopasowanie sekwencji (sequence alignment)
Co to jest alignment? Dopasowanie sekwencji (sequence alignment) Alignment jest sposobem dopasowania struktur pierwszorzędowych DNA, RNA lub białek do zidentyfikowanych regionów w celu określenia podobieństwa;
Bardziej szczegółowoGeny i działania na nich
Metody bioinformatyki Geny i działania na nich prof. dr hab. Jan Mulawka Trzy królestwa w biologii Prokaryota organizmy, których komórki nie zawierają jądra, np. bakterie Eukaryota - organizmy, których
Bardziej szczegółowoStochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów
Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 14
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
WYDZIAŁ GEOINŻYNIERII, GÓRNICTWA I GEOLOGII KARTA PRZEDMIOTU Nazwa w języku polskim: Statystyka matematyczna Nazwa w języku angielskim: Mathematical Statistics Kierunek studiów (jeśli dotyczy): Górnictwo
Bardziej szczegółowoEGZAMIN DYPLOMOWY, część II, 23.09.2008 Biomatematyka
Biomatematyka W 200-elementowej próbie losowej z diploidalnej populacji wystąpiło 89 osobników genotypu AA, 57 osobników genotypu Aa oraz 54 osobników genotypu aa. Na podstawie tych danych (a) dokonaj
Bardziej szczegółowoBioinformatyka Laboratorium, 30h. Michał Bereta
Bioinformatyka Laboratorium, 30h Michał Bereta mbereta@pk.edu.pl www.michalbereta.pl 1 Często dopasować chcemy nie dwie sekwencje ale kilkanaście lub więcej 2 Istnieją dokładne algorytmy, lecz są one niewydajne
Bardziej szczegółowoWYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO
Zał. nr 4 do ZW WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA STOSOWANA Nazwa w języku angielskim APPLIED STATISTICS Kierunek studiów (jeśli dotyczy): Specjalność
Bardziej szczegółowoWykład 5 Dopasowywanie lokalne
Wykład 5 Dopasowywanie lokalne Dopasowanie par (sekwencji) Dopasowanie globalne C A T W A L K C A T W A L K C O W A R D C X X O X W X A X R X D X Globalne dopasowanie Schemat punktowania (uproszczony)
Bardziej szczegółowoKATEDRA SYSTEMÓW MULTIMEDIALNYCH. Inteligentne systemy decyzyjne. Ćwiczenie nr 12:
KATEDRA SYSTEMÓW MULTIMEDIALNYCH Inteligentne systemy decyzyjne Ćwiczenie nr 12: Rozpoznawanie mowy z wykorzystaniem ukrytych modeli Markowa i pakietu HTK Opracowanie: mgr inż. Kuba Łopatka 1. Wprowadzenie
Bardziej szczegółowoPolitechnika Wrocławska. Dopasowywanie sekwencji Sequence alignment
Dopasowywanie sekwencji Sequence alignment Drzewo filogenetyczne Kserokopiarka zadanie: skopiować 300 stron. Co może pójść źle? 2x ta sama strona Opuszczona strona Nadmiarowa pusta strona Strona do góry
Bardziej szczegółowoBioinformatyka. Ocena wiarygodności dopasowania sekwencji.
Bioinformatyka Ocena wiarygodności dopasowania sekwencji www.michalbereta.pl Załóżmy, że mamy dwie sekwencje, które chcemy dopasować i dodatkowo ocenić wiarygodność tego dopasowania. Interesujące nas pytanie
Bardziej szczegółowoPODSTAWY BIOINFORMATYKI WYKŁAD 4 DOPASOWANIE SEKWENCJI
PODSTAWY BIOINFORMATYKI WYKŁAD 4 DOPASOWANIE SEKWENCJI DOPASOWANIE SEKWENCJI 1. Dopasowanie sekwencji - definicja 2. Wizualizacja dopasowania sekwencji 3. Miary podobieństwa sekwencji 4. Przykłady programów
Bardziej szczegółowoSCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU Transkrypcja RNA
SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU Transkrypcja RNA SPIS TREŚCI: I. Wprowadzenie. II. Części lekcji. 1. Część wstępna. 2. Część realizacji. 3. Część podsumowująca. III. Karty pracy. 1. Karta
Bardziej szczegółowoProgramowanie dynamiczne i algorytmy zachłanne
Programowanie dynamiczne i algorytmy zachłanne Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii
Bardziej szczegółowoProces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką
z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n
Bardziej szczegółowoPrzyrównywanie sekwencji
Instytut Informatyki i Matematyki Komputerowej UJ, opracowanie: mgr Ewa Matczyńska, dr Jacek Śmietański Przyrównywanie sekwencji 1. Porównywanie sekwencji wprowadzenie Sekwencje porównujemy po to, aby
Bardziej szczegółowoBioinformatyka II Modelowanie struktury białek
Bioinformatyka II Modelowanie struktury białek 1. Który spośród wymienionych szablonów wybierzesz do modelowania? Dlaczego? Struktura krystaliczną czy NMR (to samo białko, ta sama rozdzielczość)? Strukturę
Bardziej szczegółowoSieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych
Sieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych Plan laboratorium Generatory liczb pseudolosowych dla rozkładów dyskretnych: Generator liczb o rozkładzie równomiernym Generator
Bardziej szczegółowoAnalizy DNA in silico - czyli czego można szukać i co można znaleźć w sekwencjach nukleotydowych???
Analizy DNA in silico - czyli czego można szukać i co można znaleźć w sekwencjach nukleotydowych??? Alfabet kwasów nukleinowych jest stosunkowo ubogi!!! Dla sekwencji DNA (RNA) stosuje się zasadniczo*
Bardziej szczegółowoDopasowanie sekwencji Sequence alignment. Bioinformatyka, wykłady 3 i 4 (19, 26.X.2010)
Dopasowanie sekwencji Sequence alignment Bioinformatyka, wykłady 3 i 4 (19, 26.X.2010) krzysztof_pawlowski@sggw.pl terminologia alignment 33000 dopasowanie sekwencji 119 uliniowienie sekwencji 82 uliniowianie
Bardziej szczegółowoTRANSKRYPCJA - I etap ekspresji genów
Eksparesja genów TRANSKRYPCJA - I etap ekspresji genów Przepisywanie informacji genetycznej z makrocząsteczki DNA na mniejsze i bardziej funkcjonalne cząsteczki pre-mrna Polimeraza RNA ETAP I Inicjacja
Bardziej szczegółowoWSTĘP DO BIOINFORMATYKI Konspekt wykładu - wiosna 2018/19
WSTĘP DO BIOINFORMATYKI Konspekt wykładu - wiosna 2018/19 Witold Dyrka 14 marca 2019 1 Wprowadzenie 1.1 Definicje bioinformatyki Według polskiej Wikipedii [1], Bioinformatyka interdyscyplinarna dziedzina
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoWybrane techniki badania białek -proteomika funkcjonalna
Wybrane techniki badania białek -proteomika funkcjonalna Proteomika: umożliwia badanie zestawu wszystkich (lub prawie wszystkich) białek komórkowych Zalety analizy proteomu w porównaniu z analizą trankryptomu:
Bardziej szczegółowoPRZYRÓWNANIE SEKWENCJI
http://theta.edu.pl/ Podstawy Bioinformatyki III PRZYRÓWNANIE SEKWENCJI 1 Sequence alignment - przyrównanie sekwencji Poszukiwanie ciągów znaków (zasad nukleotydowych lub reszt aminokwasowych), które posiadają
Bardziej szczegółowoDopasowanie sekwencji Sequence alignment. Bioinformatyka, wykłady 3 i 4 (16, 23.X.2012)
Dopasowanie sekwencji Sequence alignment Bioinformatyka, wykłady 3 i 4 (16, 23.X.2012) krzysztof_pawlowski@sggw.pl terminologia alignment 33000 dopasowanie sekwencji 119 uliniowienie sekwencji 82 uliniowianie
Bardziej szczegółowo3 Przeszukiwanie baz danych
Spis treści 3 Przeszukiwanie baz danych 1 3.1 Heurystyczne algorytmy...................... 1 3.1.1 FASTA........................... 1 3.1.2 BLAST........................... 3 3.2 Macierze substytucyjne.......................
Bardziej szczegółowoAlgorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa
Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa Wojciech Niemiro 1 Uniwersytet Warszawski i UMK Toruń XXX lat IMSM, Warszawa, kwiecień 2017 1 Wspólne prace z Błażejem Miasojedowem,
Bardziej szczegółowoMetody i analiza danych
2015/2016 Metody i analiza danych Macierze Laboratorium komputerowe 2 Anna Kiełbus Zakres tematyczny 1. Funkcje wspomagające konstruowanie macierzy 2. Dostęp do elementów macierzy. 3. Działania na macierzach
Bardziej szczegółowoDopasowywanie sekwencji (ang. sequence alignment) Metody dopasowywania sekwencji. Homologia a podobieństwo sekwencji. Rodzaje dopasowania
Wprowadzenie do Informatyki Biomedycznej Wykład 2: Metody dopasowywania sekwencji Wydział Informatyki PB Dopasowywanie sekwencji (ang. sequence alignment) Dopasowywanie (przyrównywanie) sekwencji polega
Bardziej szczegółowoBadanie doboru naturalnego na poziomie molekularnym
Badanie doboru naturalnego na poziomie molekularnym Podstawy ewolucji molekulanej Jak ewoluują sekwencje Zmiany genetyczne w ewolucji Mutacje tworzą nowe allele genów Inwersje zmieniają układ genów na
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Algorytmy zachłanne, programowanie dynamiczne Paweł Daniluk Wydział Fizyki Jesień 2014 P. Daniluk(Wydział Fizyki) WP w. IX Jesień 2014 1 / 26 Algorytmy zachłanne Strategia polegająca
Bardziej szczegółowoDr. habil. Anna Salek International Bio-Consulting 1 Germany
1 2 3 Drożdże są najprostszymi Eukariontami 4 Eucaryota Procaryota 5 6 Informacja genetyczna dla każdej komórki drożdży jest identyczna A zatem każda komórka koduje w DNA wszystkie swoje substancje 7 Przy
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoZasady oceniania rozwiązań zadań 48 Olimpiada Biologiczna Etap centralny
Zasady oceniania rozwiązań zadań 48 Olimpiada Biologiczna Etap centralny Zadanie 1 1 pkt. za prawidłowe podanie typów dla obydwu zwierząt oznaczonych literami A oraz B. A. ramienionogi, B. mięczaki A.
Bardziej szczegółowoPorównywanie i dopasowywanie sekwencji
Porównywanie i dopasowywanie sekwencji Związek bioinformatyki z ewolucją Wraz ze wzrostem dostępności sekwencji DNA i białek narodziła się nowa dyscyplina nauki ewolucja molekularna Ewolucja molekularna
Bardziej szczegółowoPrzyrównanie sekwencji. Magda Mielczarek Katedra Genetyki Uniwersytet Przyrodniczy we Wrocławiu
Przyrównanie sekwencji Magda Mielczarek Katedra Genetyki Uniwersytet Przyrodniczy we Wrocławiu Sequence alignment - przyrównanie sekwencji Poszukiwanie ciągów znaków (zasad nukleotydowych lub reszt aminokwasowych),
Bardziej szczegółowoTematy prac magisterskich i doktorskich
Tematy prac magisterskich i doktorskich Stochastyczna dynamika z opóźnieniami czasowymi w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki
Bardziej szczegółowoPrzybliżone algorytmy analizy ekspresji genów.
Przybliżone algorytmy analizy ekspresji genów. Opracowanie i implementacja algorytmu analizy danych uzyskanych z eksperymentu biologicznego. 20.06.04 Seminarium - SKISR 1 Wstęp. Dane wejściowe dla programu
Bardziej szczegółowoOSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) Algorytmy i Struktury Danych PIŁA
OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) 16.01.2003 Algorytmy i Struktury Danych PIŁA ALGORYTMY ZACHŁANNE czas [ms] Porównanie Algorytmów Rozwiązyjących problem TSP 100 000 000 000,000 10 000 000
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoMetody oceny ryzyka operacyjnego
Instytut Matematyki i Informatyki Wrocław, 10 VII 2009 Bazylejski Komitet Nadzoru Bankowego Umowa Kapitałowa - 1988 Opracowanie najlepszych praktyk rynkowych w zakresie zarządzania ryzykiem Nowa Umowa
Bardziej szczegółowoMultiSETTER: web server for multiple RNA structure comparison. Sandra Sobierajska Uniwersytet Jagielloński
MultiSETTER: web server for multiple RNA structure comparison Sandra Sobierajska Uniwersytet Jagielloński Wprowadzenie Budowa RNA: - struktura pierwszorzędowa sekwencja nukleotydów w łańcuchu: A, U, G,
Bardziej szczegółowoWYKŁAD: Klasyczny przepływ informacji ( Dogmat) Klasyczny przepływ informacji. Ekspresja genów realizacja informacji zawartej w genach
WYKŁAD: Ekspresja genów realizacja informacji zawartej w genach Prof. hab. n. med. Małgorzata Milkiewicz Zakład Biologii Medycznej Klasyczny przepływ informacji ( Dogmat) Białka Retrowirusy Białka Klasyczny
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoKlonowanie molekularne Kurs doskonalący. Zakład Geriatrii i Gerontologii CMKP
Klonowanie molekularne Kurs doskonalący Zakład Geriatrii i Gerontologii CMKP Etapy klonowania molekularnego 1. Wybór wektora i organizmu gospodarza Po co klonuję (do namnożenia DNA [czy ma być metylowane
Bardziej szczegółowoAlgorytmy memetyczne (hybrydowe algorytmy ewolucyjne)
Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne) 1 2 Wstęp Termin zaproponowany przez Pablo Moscato (1989). Kombinacja algorytmu ewolucyjnego z algorytmem poszukiwań lokalnych, tak że algorytm poszukiwań
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa
Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoBioinformatyka II Modelowanie struktury białek
Bioinformatyka II Modelowanie struktury białek 1. Który spośród wymienionych szablonów wybierzesz do modelowania dla każdego z podanych przypadków? Dlaczego? Struktura krystaliczną czy NMR (to samo białko,
Bardziej szczegółowoPodstawy biologiczne - komórki. Podstawy biologiczne - cząsteczki. Model komórki eukariotycznej. Wprowadzenie do Informatyki Biomedycznej
Wprowadzenie do Informatyki Biomedycznej Wykład 1: Podstawy bioinformatyki Wydział Informatyki PB Podstawy biologiczne - komórki Wszystkie organizmy zbudowane są z komórek komórka jest skomplikowanym systemem
Bardziej szczegółowoTranslacja i proteom komórki
Translacja i proteom komórki 1. Kod genetyczny 2. Budowa rybosomów 3. Inicjacja translacji 4. Elongacja translacji 5. Terminacja translacji 6. Potranslacyjne zmiany polipeptydów 7. Translacja a retikulum
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
Bardziej szczegółowoAnalizy DNA in silico - czyli czego można szukać i co można znaleźć w sekwencjach nukleotydowych???
Analizy DNA in silico - czyli czego można szukać i co można znaleźć w sekwencjach nukleotydowych??? Alfabet kwasów nukleinowych jest stosunkowo ubogi!!! Dla sekwencji DNA (RNA) stosuje się zasadniczo*
Bardziej szczegółowoProces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.
Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi
Bardziej szczegółowoAlgorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba
Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów
Bardziej szczegółowoNowoczesne systemy ekspresji genów
Nowoczesne systemy ekspresji genów Ekspresja genów w organizmach żywych GEN - pojęcia podstawowe promotor sekwencja kodująca RNA terminator gen Gen - odcinek DNA zawierający zakodowaną informację wystarczającą
Bardziej szczegółowoGenerowanie i optymalizacja harmonogramu za pomoca
Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska
Bardziej szczegółowoOgólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009
Rafał M. Łochowski Szkoła Główna Handlowa w Warszawie O pewnym modelu pojawiania się szkód Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009 Modele pojawiania
Bardziej szczegółowoPROBLEM: SORTOWANIE PRZEZ ODWRÓCENIA METODA: ALGORYTMY ZACHŁANNE
D: PROBLEM: SORTOWANIE PRZEZ ODWRÓCENIA METODA: ALGORYTMY ZACHŁANNE I. Strategia zachłanna II. Problem przetasowań w genomie III. Sortowanie przez odwrócenia IV. Algorytmy przybliżone V. Algorytm zachłanny
Bardziej szczegółowoweryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)
PODSTAWY STATYSTYKI. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na
Bardziej szczegółowoPODSTAWY BIOINFORMATYKI 8 DOPASOWYWANIE SEKWENCJI AMINOKWASÓW
PODSTAWY BIOINFORMATYKI 8 DOPASOWYWANIE SEKWENCJI AMINOKWASÓW DOPASOWYWANIE SEKWENCJI 1. Miary podobieństwa sekwencji aminokwasów 2. Zastosowanie programów: CLUSTAL OMEGA BLAST Copyright 2013, Joanna Szyda
Bardziej szczegółowowykład dla studentów II roku biotechnologii Andrzej Wierzbicki
Genetyka ogólna wykład dla studentów II roku biotechnologii Andrzej Wierzbicki Uniwersytet Warszawski Wydział Biologii andw@ibb.waw.pl http://arete.ibb.waw.pl/private/genetyka/ Wykład 5 Droga od genu do
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoGry hazardowe, gry ewolucyjne, ekspresja genów, tak czy owak łańcuchy Markowa
Kampus Ochota 18 kwietnia 2015 Gry hazardowe, gry ewolucyjne, ekspresja genów, tak czy owak łańcuchy Markowa Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Andrey (Andrei)
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
Bardziej szczegółowoOptymalizacja. Symulowane wyżarzanie
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Wyżarzanie wzrost temperatury gorącej kąpieli do takiej wartości, w której ciało stałe topnieje powolne
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Symulowane wyżarzanie Maciej Hapke maciej.hapke at put.poznan.pl Wyżarzanie wzrost temperatury gorącej kąpieli do takiej wartości, w której ciało stałe topnieje powolne zmniejszanie
Bardziej szczegółowoBioinformatyka wykład 9
Bioinformatyka wykład 9 14.XII.21 białkowa bioinformatyka strukturalna krzysztof_pawlowski@sggw.pl 211-1-17 1 Plan wykładu struktury białek dlaczego? struktury białek geometria i fizyka modyfikacje kowalencyjne
Bardziej szczegółowoKODY SYMBOLI. Kod Shannona-Fano. Algorytm S-F. Przykład S-F
KODY SYMBOLI Kod Shannona-Fano KODOWANIE DANYCH, A.Przelaskowski Metoda S-F Kod Huffmana Adaptacyjne drzewo Huffmana Problemy implementacji Kod Golomba Podsumowanie Kod drzewa binarnego Na wejściu rozkład:
Bardziej szczegółowoWybrane techniki badania białek -proteomika funkcjonalna
Wybrane techniki badania białek -proteomika funkcjonalna Proteomika: umożliwia badanie zestawu wszystkich (lub prawie wszystkich) białek komórkowych Zalety analizy proteomu np. w porównaniu z analizą trankryptomu:
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCHY KOMPETENCJI EFEKTY KSZTAŁCENIA
I. KARTA PRZEDMIOTU. Nazwa przedmiotu: MATEMATYKA STOSOWANA 2. Kod przedmiotu: Ms 3. Jednostka prowadząca: Wydział Nawigacji i Uzbrojenia Okrętowego 4. Kierunek: Nawigacja 5. Specjalność: Nawigacja morska
Bardziej szczegółowoWprowadzenie. DNA i białka. W uproszczeniu: program działania żywego organizmu zapisany jest w nici DNA i wykonuje się na maszynie białkowej.
Wprowadzenie DNA i białka W uproszczeniu: program działania żywego organizmu zapisany jest w nici DNA i wykonuje się na maszynie białkowej. Białka: łańcuchy złożone z aminokwasów (kilkadziesiąt kilkadziesiąt
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoprzedmiot podstawowy obowiązkowy polski drugi
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 07/08 IN--008 STATYSTYKA W INŻYNIERII ŚRODOWISKA Statistics in environmental engineering
Bardziej szczegółowoWykład 10 2008-04-30. Bioinformatyka. Wykład 9. E. Banachowicz. Zakład Biofizyki Molekularnej IF UAM
Bioinformatyka Wykład 9 E. Banachowicz Zakład Biofizyki Molekularnej IF UAM http://www.amu.edu.pl/~ewas 1 Konsekwencje zestawieo wielu sekwencji - rodziny białkowe, domeny, motywy i wzorce 2 Bioinformatyka,
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1 Konrad Miziński, nr albumu 233703 1 maja 2015 Zadanie 1 Parametr λ wyestymowano jako średnia z próby: λ = X n = 3.73 Otrzymany w
Bardziej szczegółowoAnaliza składowych głównych
Analiza składowych głównych Wprowadzenie (1) W przypadku regresji naszym celem jest predykcja wartości zmiennej wyjściowej za pomocą zmiennych wejściowych, wykrycie związku między wielkościami wejściowymi
Bardziej szczegółowo