Dobór naturalny w sekwencjach genów. Metody analizy
|
|
- Łukasz Bednarczyk
- 5 lat temu
- Przeglądów:
Transkrypt
1 Dobór naturalny w sekwencjach genów Metody analizy
2 Podstawy ewolucji molekularnej Ewolucja sekwencji DNA i białek
3 Zmiany genetyczne w ewolucji } Mutacje } tworzą nowe allele genów } Inwersje } zmieniają układ genów na chromosomach } mogą uniemożliwić rekombinację na danym odcinku i doprowadzić do utrwalenia haplotypu } Duplikacje } dotyczą fragmentów DNA, w tym całych genów } lub całych chromosomów i całych genomów } główne źródło innowacji ewolucyjnej } Transfer horyzontalny } w tym zdarzenia symbiotyczne 3
4 Substytucje } Tranzycje zachodzą w naturze częściej od transwersji } mimo tego, że możliwych transwersji jest więcej } stosunek ts/tv od ~2 (ndna) do ~15 (mtdna człowieka) } wyjątek mtdna roślin } duże różnice ts/tv u różnych grup organizmów 4
5 Tranzycje i transwersje } Dlaczego tranzycje są częstsze? } Wyjaśnienia selekcyjne (tranzycje rzadziej zmieniają aminokwas i częściej są neutralne) } Ale: } tranzycje są częstsze też w genach rrna, pseudogenach i obszarach niekodujących } tranzycje są częstsze w pozycjach 4-krotnie zdegenerowanych (kodony typu CUN Leu) 5
6 Tranzycje i transwersje } Dlaczego tranzycje są częstsze? 6 } Wyjaśnienia mechanistyczne mechanizmy powstawania i naprawy mutacji } Tranzycje powstają w wyniku m. in.: } przejść tautomerycznych } deaminacji (np. oksydacyjnej) } Tranzycje w mniejszym stopniu zaburzają strukturę podwójnej helisy podczas replikacji } mniejsza wydajność naprawy przez system MMR } Korelacje z: } zawartością par G/C w genomie } aktywnością transkrypcyjną } tempem metabolizmu
7 Modele ewolucji sekwencji } Badając ewolucję nie dysponujemy z reguły sekwencją przodka } Liczbę mutacji musimy oszacować na podstawie różnic między sekwencjami współczesnymi } Konieczne jest uwzględnienie wielokrotnych mutacji w tej samej pozycji, zwłaszcza dla bardziej odległych sekwencji 7
8 Modele ewolucji sekwencji } Modele Markova stan w pokoleniu n +1 zależy tylko od stanu w pokoleniu n i reguł przekształcenia (macierz prawdopodobieństw zmiany stanów) } Modele o różnym stopniu skomplikowania } Mogą uwzględniać: } mutacje wielokrotne w tej samej pozycji (poprawka Poissona) } różne prawdpodobieństwa zmian nukleotydowych (lub białkowych) } różne prawdopodobieństwo mutacji w różnych pozycjach sekwencji } różne częstości nukleotydów 8
9 Modele ewolucji sekwencji } Modele Markova stan w pokoleniu n +1 zależy tylko od stanu w pokoleniu n i reguł przekształcenia (macierz prawdopodobieństw zmiany stanów) } Modele o różnym stopniu skomplikowania } Mogą uwzględniać: } mutacje wielokrotne w tej samej pozycji (poprawka Poissona) } różne prawdpodobieństwa zmian nukleotydowych (lub białkowych) } różne prawdopodobieństwo mutacji w różnych pozycjach sekwencji } różne częstości nukleotydów 9
10 Modele ewolucji DNA model Jukesa- Cantora } Jednakowe częstości nukleotydów (f=0,25) } Jednakowe prawdopodobieństwo każdej substytucji A C G T A 1-3α α α α C α 1-3α α α G α α 1-3α α T α α α 1-3α } } Odległość po poprawce wynosi: D JC = 3 4 ln(1 4 3 D) Przykładowo: D OBS =0.43 => D JC =
11 Inne modele } Kimura (K80, dwuparametrowy) - różne prawdopodobieństwo tranzycji i transwersji } Felsenstein (F81), Hasegawa-Kishino-Yano (HKY85) - różne częstości nukleotydów (F81) + różne prawd. tranzycji i transwersji (HKY85) } GTR (General Time Reversible, Tavare 86) 11
12 Model GTR } Różne prawdopodobieństwo każdej substytucji (ale symetrycznie, czyli np. A T = T A) - 6 parametrów } Różne częstości nukleotydów - 4 parametry 12
13 Rozkład gamma } Proste modele zakładają jednakowe prawdopodobieństwo zmiany w każdej pozycji - nierealistyczne } Rozkład prawdopodobieństw zmian w różnych pozycjach rozkład gamma 13
14 Mutaje na poziomie kodu } Mutacje mogą: } zmienić kodon na inny, ale kodujący ten sam aminokwas } mutacje synonimiczne } zmienić kodon na kodujący inny aminokwas } mutacje niesynonimiczne } zmienić kodon na kodon STOP } mutacje nonsens } spowodować zmianę fazy odczytu } wpłynąć na ekspresję genu 14
15 Mutacje i dobór naturalny } Efekty działania mutacji obserwujemy pośrednio } różnice sekwencji między populacjami (gatunkami) } polimorfizm sekwencji w obrębie populacji } Na allele wytworzone przez mutacje może działać dobór } Za zmiany częstości powstających alleli może odpowiadać dryf genetyczny } Obserwujemy mutacje utrwalone całkowicie lub częściowo (polimorfizmy) w puli genowej 15
16 Podstawowe pytanie ewolucji molekularnej } Jaka jest rola dryfu i doboru w wyjaśnieniu obserwowanego zróżnicowania sekwencji? } wewnątrzpopulacyjnego (polimorfizmy) } międzygatunkowego } Pytanie dotyczy zróżnicowania ilościowego! } Nikt nie podaje w wątpliwość tego, że adaptacje w ewolucji powstają dzięki działaniu doboru! 16
17 Dobor czy dryf? } Selekcjonizm } większość utrwalonych mutacji została wyselekcjonowana przed dobór } większość polimorfizmów jest utrzymywana przez dobór } dobór równoważący, naddominacja, dobór zależny od częstości } Neutralizm (Kimura, 1968) } większość utrwalonych mutacji została utrwalona przez dryf } za większość polimorfizmów odpowiada dryf } mutacje utrwalane przez dobór są rzadkie, nie mają wpływu na ilościową analizę zmienności molekularnej 17
18 Mutacje i dobór } niekorzystne (szkodliwe) } s < 0 } eliminowane przez dobór (oczyszczający/negatywny) } neutralne } s 0 (a konkretniej, s 1/4N) } utrwalane przez dryf } korzystne } s > 0 } utrwalane przez dobór (z udziałem dryfu dla niewielkich s) 18
19 Selekcjonizm i neutralizm } Selekcjonizm: } większość mutacji jest niekorzystna } większość utrwalonych mutacji jest korzystna } mutacje neutralne są rzadkie (nie częstsze od korzystnych) } Neutralizm } większość mutacji jest niekorzystna lub neutralna } większość utrwalonych mutacji jest neutralna } mutacje korzystne są rzadkie (znacznie rzadsze od neutralnych) 19
20 Selekcjonizm i neutralizm selekcjonizm neutralizm pan-neutralizm Neutralizm nie oznacza pan-neutralizmu, czyli negowania znaczenia selekcyjnego mutacji! 20
21 Przesłanki teorii neutralnej } Tempo zmian sekwencji i polimorfizm są zbyt duże, by dały się wyjaśnić doborem } Stałe tempo ewolucji molekularnej (zegar molekularny) } Sekwencje o mniejszym znaczeniu funkcjonalnym (pseudogeny, mniej istotne obszary białek) ewoluują szybciej, niż obszary kluczowe dla funkcji 21
22 Stałe tempo ewolucji molekularnej } Wiele sekwencji ewoluuje w stałym tempie } Tempo to jest różne dla różnych sekwencji, ale stałe w czasie ewolucji dla danej sekwencji } Tzw. zegar molekularny Różnice sekwencji globin kręgowców 22
23 Tempo ewolucji i dryf } Neutralny dryf jest procesem losowym, ale jego tempo będzie stałe w odpowiednio długim czasie } Zależy tylko od częstości mutacji (jedna zmiana na 1/µ pokoleń) } Dla doboru stałe tempo zmian oznacza stałe tempo zmian środowiska } Tempo zmian adaptacyjnych nie wydaje się być stałe 23
24 Zegar molekularny } Jest konsekwencją neutralnego modelu ewolucji } Tempo akumulacji zmian w danej sekwencji jest stałe } ale różne dla różnych sekwencji } Weryfikacja test względnego tempa K AC - K BC = 0 A B C } W rzeczywistości testuje stałość tempa pomiędzy gałęziami, ale nie w czasie 24
25 Zegar molekularny - problem } W modelu neutralnym tempo utrwalania mutacji: 2Nµ 1 2N = µ } Powinno być stałe w przeliczeniu na pokolenie } Czas generacji jest różny u różnych organizmów } Czyli nie powinna być obserwowana stałość tempa w czasie rzeczywistym } A często jest (w tych sekwencjach, które zachowują zegar) 25
26 Problem czasu generacji } Czas generacji różnych organizmów jest istotnie różny ~3 pokolenia/rok,03 pokolenia/rok } Dlaczego nie wpływa to na tempo utrwalania mutacji? 26
27 Zmiany prawie neutralne } Model Kimury dotyczy zmian neutralnych (s = 0), takie nie są częste } Mutacje zachowują się jak neutralne gdy spełnione jest: s 1 4N e } Mutacje o niewielkim współczynniku doboru s będą zachowywały się jak neutralne w małych populacjach, a w większych populacjach będą podlegały doborowi 27
28 Zmiany prawie neutralne } Istnieje odwrotna korelacja między czasem generacji a wielkością populacji 28
29 Zmiany prawie neutralne s 1 4N e ~3 pokolenia/rok ~0,03 pokolenia/rok Długi czas generacji Mniej mutacji na rok Krótki czas generacji Więcej mutacji na rok Populacja nieliczna (małe N e ) Populacja liczna (duże N e ) Więcej mutacji zachowuje się jak neutralne i utrwala przez dryf Więcej mutacji podlega doborowi (i jest eliminowane przez dobór oczyszczający) 29 Efekty czasu generacji i wielkości populacji się znosząc, dając stałe tempo w czasie (Ohta
30 Zegar molekularny } Dla sekwencji białek i zmian niesynonimicznych w DNA zmiany jednostajne w czasie } Na poziomie DNA, } dla mutacji synonimicznych } pseudogenów } niektórych sekwencji niekodujących } tempo ewolucji zależy od czasu generacji 30
31 Tempo ewolucji sekwencji a funkcja Sekwencje o mniejszym znaczeniu funkcjonalnym (pseudogeny, mniej istotne obszary białek) ewoluują szybciej, niż obszary kluczowe dla funkcji 31
32 Degeneracja w kodzie 32 miejsce 4-krotnie zdegenerowane miejsce 2-krotnie zdegenerowane
33 Tempo ewolucji sekwencji a funkcja Sekwencje o mniejszym znaczeniu funkcjonalnym (pseudogeny, mniej istotne obszary białek) ewoluują szybciej, niż obszary kluczowe dla funkcji 33
34 Tempo zmian jednostka: PAM/10 8 lat Jednostka czasu ewolucyjnego: ile lat (w milionach, 10 6 ) potrzeba do utrwalenia 1 mutacji/ 100 aa (1 PAM) } Białka zaangażowane w podstawowe funkcje komórki ewoluują wolniej. } W sekwencji białka obszary kluczowe dla funkcji ewoluują wolniej. 34
35 Tempo zmian } Czynnikiem decydującym o tempie zmian jest dobór oczyszczający (negatywny) } w ważniejszych sekwencjach więcej zmian będzie niekorzystnych (eliminacja przez dobór) } w mniej istotnych sekwencjach więcej zmian będzie neutralnych (utrwalanie przez dryf) } zmiany bez znaczenia dla funkcji będą neutralne } pseudogeny } niekodujące obszary międzygenowe? } podstawienia synonimiczne? 35
36 Status neutralizmu } Wyjaśnia wiele zjawisk obserwowanych w ewolucji molekularnej } wysoki polimorfizm sekwencji DNA i białek } zegar molekularny } ale jest wiele odstępstw, nie istnieje globalny zegar prawdziwy dla wszystkich gałęzi drzewa życia } wolniejsza ewolucja sekwencji o kluczowym znaczeniu } to też można wyjaśnić modelem, w którym większość mutacji jest albo niekorzystna, albo korzystna, ale niekorzystnych jest więcej } Jest bardzo przydatny jako hipoteza zerowa do badania doboru naturalnego na poziomie sekwencji! 36
37 Status neutralizmu } Dane molekularne, zwłaszcza genomowe, pozwoliły ocenić zgodność modelu neutralnego z obserwacją zmienności sekwencji } Kimura: 1968 nie były wtedy znane metody sekwencjonowania DNA! 37
38 Status neutralizmu } Smith & Eyre-Walker % podstawień aminokwasowych w ewolucji Drosophila sp. utwalonych przez dobór dodatni } Andolfatto 2005 pomiędzy D. melanogaster i D. simulans dobór dodatni odpowiada za utrwalenie: } 20% podstawień w DNA w intronach i obszarach międzygenowych } 60% podstawień w DNA w sekwencjach UTR 38
39 Status neutralizmu } Głównym i nieprzemijającym osiągnięciem jest stworzenie matematycznego opisu współdziałania dryfu i doboru naturalnego (dodatniego i oczyszczającego) w ewolucji molekularnej } Dzięki tym modelom opracowano testy poszukujące śladów doboru w sekwencjach (model neutralny jako hipoteza zerowa) } Istnieje znacząca liczba pozycji i sekwencji ewoluujących według modelu neutralnego } można dobrać sekwencje tak, by uzyskać zegar molekularny 39
40 Status neutralizmu } Dryf genetyczny ma w ewolucji molekularnej bardzo znaczącą, ale nie wyłączną rolę } znaczne obszary genomu ewoluują w sposób bliski neutralnemu 40
41 Jak szukać śladów działania doboru } Większość sekwencji genów zmienia się jednostajnie, w tempie wyznaczanym przez eliminację mutacji niekorzystnych zegar molekularny } Odstępstwa od jednostajnego tempa w określonej gałęzi dobór specyficzny dla tej gałęzi Orangutan Goryl Szympans Człowiek Orangutan Goryl Szympans Człowiek Orangutan Goryl Szympans Człowiek Równomierne tempo zmian Przyspieszone zmiany Spowolnione zmiany
42 Badanie doboru } Założenie: mutacje synonimiczne są neutralne, sekwencje porównywane są parami Ka (dn) liczba mutacji niesynonimicznych na liczbę możliwych miejsc niesynonimicznych Ks (ds) liczba mutacji synonimicznych na liczbę możliwych miejsc synonimicznych Stosunek Ka/Ks (ω) jest miarą działania doboru ω=1 ewolucja neutralna ω<1 dobór negatywny (oczyszczający) ω>1 dobór pozytywny
43 Badanie doboru } Wartość ω rzadko przekracza 1 dla całej sekwencji (wyjątek np. geny MHC) } Średnia wartość ω w porównaniach między naczelnymi a gryzoniami wynosi 0,2, między człowiekiem a szympansem 0,4 } Odchylenie ω od średniej dla konkretnego genu w konkretnej linii ewolucyjnej może świadczyć o działaniu doboru } W sekwencji mogą występować obszary o różnej wartości ω, wskazując na działanie doboru na poszczególne regiony a nawet pozycje aminokwasowe w białku
44 Badanie doboru II } Porównanie zmian synonimicznych i niesynonimicznych w obrębie populacji danego gatunku i pomiędzy gatunkami.
45 Test McDonalda-Kreitmana } Stosunek mutacji synonimicznych do niesynonimicznych w obrębie populacji vs. taki sam stosunek dla różnic między gatunkami } Jeżeli zmiany są neutralne, wówczas stosunek ten powinien być w obu przypadkach taki sam
46 Przykład: gen ADH u trzech gatunków Drosophila synonimiczne niesynonimiczne stosunek wewnątrzpopulacyjne 42 2 ~0,05 międzygatunkowe 17 7 ~0,41 Wniosek: zmiany niesynonimiczne są szybko utrwalane w specjacji nie są neutralne
47 Inne testy } Test HKA (Hudson, Kreitman, Aguadé) statystyczna korelacja zmienności wewnątrzpopulacyjnej i międzygatunkowej dla mutacji synonimicznych i niesynonimicznych } Test Tajimy porównuje częstość polimorfizmów wewnątrzpopulacyjnych z przewidywaniami teorii neutralnej } Test Fu & Li podobny do testu Tajimy, wykorzystuje dane filogenetyczne
48 Testowanie hipotez } Kryterium wiarygodności } Program PAML (Phylogenetic Analysis by Maximum Likelihood) autor Ziheng Yang }
49 Wiarygodność (likelihood) } Wiarygodność=prawdopodobieństwo uzyskania danych przy założeniach modelu i jego określonych parametrach: P(dane model) } Prawdopodobieństwo dotyczy zdarzenia przyszłego przy znanym modelu - np. jeżeli rzucam idealną (symetryczną) monetą, to prawdopodobieństwo uzyskania orła = 1/2 (dwóch orłów 1/4 itd.) } Wiarygodność odnosi się do wyjaśnienia zjawiska, które już zaszło - np. jeżeli przy dużej liczbie rzutów monetą uzyskuje 50% orłów, to najbardziej wiarygodnym modelem jest ten, w którym moneta jest symetryczna
50 Test ilorazu wiarygodności } LRT (Likelihood Ratio Test) } Dla porównania dwóch zagnieżdżonych modeli o różnej liczbie parametrów } Dla każdego modelu oblicza się wiarygodność (L1, L2) LR = 2 [ln(l1) ln(l2)]# } Istotność LR określa się porównując z wartością χ2 dla df równego różnicy w liczbie parametrów obu modeli
51 Przykład #1 Model 0 wartość ω taka sama w całym drzewie: wiarygodność L0 Czy ewolucja w gałęzi #1 jest szybsza? LR = 2 [ln(l1) ln(l0)]# Czy LR większe od χ 2 dla df=1? Model 1 wartość ω w gałęzi #1 inna, niż w pozostałych gałęziach drzewa: wiarygodność L1
52 Pliki programu PAML } Sekwencje: format PHYLIP (np. z Clustal) } Drzewo: format Newick, ew. z zaznaczanymi gałęziami } plik kontrolny: codeml.ctl
53 Notacja nawiasowa (Newick) dla drzew (Macaca,Cerco,(Pongo,(Gorilla,(Homo,Chimp)))); (Macaca,Cerco,(Pongo,(Gorilla,(Homo#1,Chimp)))); #1 #1 #1 #1 #1 #1 (Macaca,Cerco,(Pongo,(Gorilla,(Homo,Chimp))$1)); #1 #1 #1 #2 #1 (Macaca,Cerco,(Pongo,(Gorilla,(Homo#2,Chimp))$1));
54 seqfile = treefile = outfile = noisy = 9 verbose = 2 runmode = 0 * 0,1,2,3,9: how much rubbish on the screen * 1: detailed output, 0: concise output * 0: user tree; 1: semi-automatic; 2: automatic * 3: StepwiseAddition; (4,5):PerturbationNNI seqtype = 1 * 1:codons; 2:AAs; 3:codons-->AAs CodonFreq = 2 * 0:1/61 each, 1:F1X4, 2:F3X4, 3:codon table clock = 0 * 0: no clock, unrooted tree, 1: clock, rooted tree model = 0 * models for codons: * 0:one, 1:b, 2:2 or more dn/ds ratios for branches NSsites = 0 icode = 0 * dn/ds among sites. 0:no variation, 1:neutral, 2:positive * 0:standard genetic code; 1:mammalian mt; 2-10:see below fix_kappa = 0 * 1: kappa fixed, 0: kappa to be estimated kappa = 2 * initial or fixed kappa fix_omega = 0 * 1: omega or omega_1 fixed, 0: estimate omega = 1 * initial or fixed omega, for codons or codon-transltd AAs fix_alpha = 1 * 0: estimate gamma shape parameter; 1: fix it at alpha alpha =.0 * initial or fixed alpha, 0:infinity (constant rate) Malpha = 0 * different alphas for genes ncatg = 4 * # of categories in the dg or AdG models of rates getse = 0 * 0: don't want them, 1: want S.E.s of estimates RateAncestor = 1 * (1/0): rates (alpha>0) or ancestral states (alpha=0) fix_blength = 1 * 0: ignore, -1: random, 1: initial, 2: fixed method = 0 * 0: simultaneous; 1: one branch at a time
55 Modele } Modele gałęzi (branch models) - czy ω w którejś gałęzi drzewa (lub grupie gałęzi) odbiega od pozostałych gałęzi drzewa } Modele miejsc (site models) - jakie są klasy miejsc (kodonów) w sekwencji pod względem parametru ω (czy we wszystkich pozycjach tak samo działa dobór)? } Modele gałęzi i miejsc (branch and site models) - czy w którejś gałęzi drzewa pojawiają się klasy kodonów, na które inaczej działa dobór?
56 Modele gałęzi } Hipoteza zerowa - ω takie samo we wszystkich gałęziach drzewa } Hipoteza testowana - istnieją gałęzie o ω innym, niż w reszcie drzewa } Model swobodny - każda gałąź ma inną wartość ω } df = różnica liczby parametrów (każda wyróżniona gałąź dodaje 1)
57 Modele gałęzi seqfile = treefile = outfile = noisy = 9 verbose = 2 runmode = 0 * 0,1,2,3,9: how much rubbish on the screen * 1: detailed output, 0: concise output * 0: user tree; 1: semi-automatic; 2: automatic * 3: StepwiseAddition; (4,5):PerturbationNNI seqtype = 1 * 1:codons; 2:AAs; 3:codons-->AAs CodonFreq = 2 * 0:1/61 each, 1:F1X4, 2:F3X4, 3:codon table clock = 0 * 0: no clock, unrooted tree, 1: clock, rooted tree model = 0 * models for codons: * 0:one, 1:b, 2:2 or more dn/ds ratios for branches NSsites = 0 icode = 0 * dn/ds among sites. 0:no variation, 1:neutral, 2:positive * 0:standard genetic code; 1:mammalian mt; 2-10:see below fix_kappa = 0 * 1: kappa fixed, 0: kappa to be estimated kappa = 2 * initial or fixed kappa fix_omega = 0 * 1: omega or omega_1 fixed, 0: estimate omega = 1 * initial or fixed omega, for codons or codon-transltd AAs fix_alpha = 1 * 0: estimate gamma shape parameter; 1: fix it at alpha alpha =.0 * initial or fixed alpha, 0:infinity (constant rate) Malpha = 0 * different alphas for genes ncatg = 4 * # of categories in the dg or AdG models of rates getse = 0 * 0: don't want them, 1: want S.E.s of estimates RateAncestor = 1 * (1/0): rates (alpha>0) or ancestral states (alpha=0) fix_blength = 1 * 0: ignore, -1: random, 1: initial, 2: fixed method = 0 * 0: simultaneous; 1: one branch at a time
58 Modele miejsc } Przeprowadzane przy założeniu stałego ω we wszystkich gałęziach drzewa } Hipoteza zerowa (M1a): dwie klasy kodonów: neutralne (ω=1) i selekcjonowane negatywnie (ω<1) } Hipoteza testowana (M2a): trzy klasy kodonów: neutralne (ω=1), selekcjonowane negatywnie (ω<1) i selekcjonowane pozytywnie (ω>1) } Są też bardziej złożone modele o innej dystrybucji miejsc
59 Modele miejsc seqfile = treefile = outfile = noisy = 9 verbose = 2 runmode = 0 * 0,1,2,3,9: how much rubbish on the screen * 1: detailed output, 0: concise output * 0: user tree; 1: semi-automatic; 2: automatic * 3: StepwiseAddition; (4,5):PerturbationNNI seqtype = 1 * 1:codons; 2:AAs; 3:codons-->AAs CodonFreq = 2 * 0:1/61 each, 1:F1X4, 2:F3X4, 3:codon table clock = 0 * 0: no clock, unrooted tree, 1: clock, rooted tree model = 0 * models for codons: * 0:one, 1:b, 2:2 or more dn/ds ratios for branches NSsites = 0 icode = 0 * dn/ds among sites. 0:no variation, 1:neutral, 2:positive * 0:standard genetic code; 1:mammalian mt; 2-10:see below fix_kappa = 0 * 1: kappa fixed, 0: kappa to be estimated kappa = 2 * initial or fixed kappa fix_omega = 0 * 1: omega or omega_1 fixed, 0: estimate omega = 1 * initial or fixed omega, for codons or codon-transltd AAs fix_alpha = 1 * 0: estimate gamma shape parameter; 1: fix it at alpha alpha =.0 * initial or fixed alpha, 0:infinity (constant rate) Malpha = 0 * different alphas for genes ncatg = 4 * # of categories in the dg or AdG models of rates getse = 0 * 0: don't want them, 1: want S.E.s of estimates RateAncestor = 1 * (1/0): rates (alpha>0) or ancestral states (alpha=0) fix_blength = 1 * 0: ignore, -1: random, 1: initial, 2: fixed method = 0 * 0: simultaneous; 1: one branch at a time
60 Modele gałęzi i miejsc } Zmienna ω w wyróżnionych gałęziach, w gałęziach tych pojawia się dodatkowa klasa kodonów o ω>1 } Trzy klasy kodonów neutralne (ω=1), selekcjonowane negatywnie (ω<1) i selekcjonowane pozytywnie (ω>1) } Hipoteza zerowa: w trzeciej klasie ω=1 (brak selekcji pozytywnej)
61 Modele gałęzi i miejsc seqfile = treefile = outfile = noisy = 9 verbose = 2 runmode = 0 * 0,1,2,3,9: how much rubbish on the screen * 1: detailed output, 0: concise output * 0: user tree; 1: semi-automatic; 2: automatic * 3: StepwiseAddition; (4,5):PerturbationNNI seqtype = 1 * 1:codons; 2:AAs; 3:codons-->AAs CodonFreq = 2 * 0:1/61 each, 1:F1X4, 2:F3X4, 3:codon table clock = 0 * 0: no clock, unrooted tree, 1: clock, rooted tree model = 2 * models for codons: * 0:one, 1:b, 2:2 or more dn/ds ratios for branches NSsites = 2 icode = 0 * dn/ds among sites. 0:no variation, 1:neutral, 2:positive * 0:standard genetic code; 1:mammalian mt; 2-10:see below fix_kappa = 0 * 1: kappa fixed, 0: kappa to be estimated kappa = 2 * initial or fixed kappa fix_omega = 0 * 1: omega or omega_1 fixed, 0: estimate omega = 1 * initial or fixed omega, for codons or codon-transltd AAs fix_alpha = 1 * 0: estimate gamma shape parameter; 1: fix it at alpha alpha =.0 * initial or fixed alpha, 0:infinity (constant rate) Malpha = 0 * different alphas for genes ncatg = 4 * # of categories in the dg or AdG models of rates getse = 0 * 0: don't want them, 1: want S.E.s of estimates RateAncestor = 1 * (1/0): rates (alpha>0) or ancestral states (alpha=0) fix_blength = 1 * 0: ignore, -1: random, 1: initial, 2: fixed method = 0 * 0: simultaneous; 1: one branch at a time
Badanie 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 szczegółowoPodstawy ewolucji molekularnej. Ewolucja sekwencji DNA i białek
Podstawy ewolucji molekularnej Ewolucja sekwencji DNA i białek Zmiany genetyczne w ewolucji } Mutacje } tworzą nowe allele genów } Inwersje } zmieniają układ genów na chromosomach } mogą uniemożliwić rekombinację
Bardziej szczegółowoPodstawy ewolucji molekularnej. Ewolucja sekwencji DNA i białek
Podstawy ewolucji molekularnej Ewolucja sekwencji DNA i białek Zmiany genetyczne w ewolucji Mutacje tworzą nowe allele genów Inwersje zmieniają układ genów na chromosomach mogą uniemożliwić rekombinację
Bardziej szczegółowoPodstawy ewolucji molekularnej. Ewolucja sekwencji DNA i białek
Podstawy ewolucji molekularnej Ewolucja sekwencji DNA i białek Egzamin: 29.01.2018 16:00, sala 9B Pierwsza synteza Ewolucja jako zmiany częstości alleli w populacji Mutacje jako źródło nowych alleli Dobór
Bardziej szczegółowoMechanizmy zmienności ewolucyjnej. Podstawy ewolucji molekularnej.
Mechanizmy zmienności ewolucyjnej Podstawy ewolucji molekularnej. Mechanizmy ewolucji } Generujące zmienność } mutacje } rearanżacje genomu } horyzontalny transfer genów } Działające na warianty wytworzone
Bardziej szczegółowoPodstawy ewolucji molekularnej. Ewolucja sekwencji DNA i białek
Podstawy ewolucji molekularnej Ewolucja sekwencji DNA i białek Podręczniki Populacja Grupa krzyżujących się ze sobą osobników oraz ich potomstwo Zbiór wszystkich alleli populacji pula genowa Najprostszy
Bardziej szczegółowoZmienność ewolucyjna. Ewolucja molekularna
Zmienność ewolucyjna Ewolucja molekularna Mechanizmy ewolucji Generujące zmienność mutacje rearanżacje genomu horyzontalny transfer genów! Działające na warianty wytworzone przez zmienność dobór naturalny
Bardziej szczegółowoTeoria ewolucji. Losy gatunków: specjacja i wymieranie. Podstawy ewolucji molekularnej
Teoria ewolucji. Losy gatunków: specjacja i wymieranie. Podstawy ewolucji molekularnej Specjacja } Pojawienie się bariery reprodukcyjnej między populacjami dające początek gatunkom } Specjacja allopatryczna
Bardziej szczegółowoNuttall przeprowadził testy precypitacyjne białek surowicy, aby wykazać związek filogenetyczny między różnymi grupami zwierząt.
1904 Nuttall przeprowadził testy precypitacyjne białek surowicy, aby wykazać związek filogenetyczny między różnymi grupami zwierząt. M. Prakash 2007.Encyclopaedia of Gene Evolution Vol. 2, Molecular Genetics,
Bardziej szczegółowoZmienność ewolucyjna. Ewolucja molekularna
Zmienność ewolucyjna Ewolucja molekularna Mechanizmy ewolucji Generujące zmienność mutacje rearanżacje genomu horyzontalny transfer genów Działające na warianty wytworzone przez zmienność dobór naturalny
Bardziej szczegółowoFilogenetyka molekularna I
2 Literatura Krzysztof Spalik, Marcin Piwczyński (2009), Rekonstrukcja filogenezy i wnioskowanie filogenetyczne w badaniach ewolucyjnych, Kosmos 58(3-4): 485-498 Filogenetyka molekularna I John C. Avise
Bardziej szczegółowoEkologia molekularna. wykład 6
Ekologia molekularna wykład 6 Tempo mutacji Tempo błędu polimerazy: 10-4 pomyłka polimerazy 10-8 po naprawie błędów Faktyczne tempo mutacji: 10-9/zasadę/pokolenie W genomie człowieka jest 3 x 109 zasad
Bardziej szczegółowoTeoria ewolucji. Podstawowe pojęcia. Wspólne pochodzenie.
Teoria ewolucji Podstawowe pojęcia. Wspólne pochodzenie. Ewolucja Znaczenie ogólne: zmiany zachodzące stopniowo w czasie W biologii ewolucja biologiczna W astronomii i kosmologii ewolucja gwiazd i wszechświata
Bardziej szczegółowoEwolucja informacji genetycznej
1 Ewolucja informacji genetycznej Czym jest życie? metabolizm + informacja (replikacja) Cząsteczki organiczne mog y powstać w atmosferze pierwotnej Ziemi Oparin, Haldane Miller, 1953 Co by o najpierw?
Bardziej szczegółowoPodstawy genetyki populacji. Genetyka mendlowska i ewolucja. Dobór i dryf.
Podstawy genetyki populacji Genetyka mendlowska i ewolucja. Dobór i dryf. Dryf genetyczny W populacjach o skończonej liczebności może dochodzić do zmian częstości alleli nawet jeżeli nie działa na nie
Bardziej szczegółowoTeoria ewolucji. Podstawowe pojęcia. Wspólne pochodzenie.
Teoria ewolucji Podstawowe pojęcia. Wspólne pochodzenie. Informacje Kontakt: Paweł Golik Instytut Genetyki i Biotechnologii, Pawińskiego 5A pgolik@igib.uw.edu.pl Informacje, materiały: http://www.igib.uw.edu.pl/
Bardziej szczegółowoTeoria ewolucji. Podstawy wspólne pochodzenie.
Teoria ewolucji. Podstawy wspólne pochodzenie. Ewolucja biologiczna } Znaczenie ogólne: } proces zmian informacji genetycznej (częstości i rodzaju alleli), } które to zmiany są przekazywane z pokolenia
Bardziej szczegółowoplezjomorfie: podobieństwa dziedziczone po dalszych przodkach (c. atawistyczna)
Podobieństwa pomiędzy organizmami - cechy homologiczne: podobieństwa wynikające z dziedziczenia - apomorfie: podobieństwa dziedziczone po najbliższym przodku lub pojawiająca się de novo (c. ewolucyjnie
Bardziej szczegółowoFilogenetyka molekularna I. Krzysztof Spalik
Filogenetyka molekularna I Krzysztof Spalik Literatura Krzysztof Spalik, Marcin Piwczyński (2009), Rekonstrukcja filogenezy i wnioskowanie filogenetyczne w badaniach ewolucyjnych, Kosmos 58(3-4): 485-498
Bardziej szczegółowoGenomika Porównawcza. Agnieszka Rakowska Instytut Informatyki i Matematyki Komputerowej Uniwersytet Jagiellooski
Genomika Porównawcza Agnieszka Rakowska Instytut Informatyki i Matematyki Komputerowej Uniwersytet Jagiellooski 1 Plan prezentacji 1. Rodzaje i budowa drzew filogenetycznych 2. Metody ukorzeniania drzewa
Bardziej szczegółowoZmienność ewolucyjna. Ewolucja molekularna
Zmienność ewolucyjna Ewolucja molekularna Mechanizmy ewolucji Generujące zmienność mutacje rearanżacje genomu horyzontalny transfer genów Działające na warianty wytworzone przez zmienność dobór naturalny
Bardziej szczegółowoBioinformatyka Laboratorium, 30h. Michał Bereta
Bioinformatyka Laboratorium, 30h Michał Bereta mbereta@pk.edu.pl www.michalbereta.pl 1 Filogenetyka molekularna wykorzystuje informację zawartą w sekwencjach aminokwasów lub nukleotydów do kontrukcji drzew
Bardziej szczegółowoEwolucja człowieka. Ślady w ziemi i ślady w genach
Ewolucja człowieka Ślady w ziemi i ślady w genach!1 !2 !3 Nie taka prosta historia } mtdna współczesnych Europejczyków różni się od mtdna Europejczyków sprzed 10 000 lat } fala migracji neolitycznej (~
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/ Choroby genetyczne o złożonym
Bardziej szczegółowoFilogenetyka molekularna I. Krzysztof Spalik Zakład Filogenetyki Molekularnej i Ewolucji
Filogenetyka molekularna I Krzysztof Spalik Zakład Filogenetyki Molekularnej i Ewolucji 3 Literatura Krzysztof Spalik, Marcin Piwczyński (2009), Rekonstrukcja filogenezy i wnioskowanie filogenetyczne w
Bardziej szczegółowoPodstawy genetyki populacji. Genetyka mendlowska i ewolucja. Dobór i dryf.
Podstawy genetyki populacji Genetyka mendlowska i ewolucja. Dobór i dryf. Dryf genetyczny W populacjach o skończonej liczebności może dochodzić do zmian częstości alleli nawet jeżeli nie działa na nie
Bardziej szczegółowoPodstawy biologii. Informacja genetyczna. Co to jest ewolucja.
Podstawy biologii Informacja genetyczna. Co to jest ewolucja. Materiał genetyczny Materiałem genetycznym są kwasy nukleinowe Materiałem genetycznym organizmów komórkowych jest kwas deoksyrybonukleinowy
Bardziej szczegółowoWykład Bioinformatyka 2012-09-24. Bioinformatyka. Wykład 7. E. Banachowicz. Zakład Biofizyki Molekularnej IF UAM. Ewolucyjne podstawy Bioinformatyki
Bioinformatyka Wykład 7 E. Banachowicz Zakład Biofizyki Molekularnej IF UAM http://www.amu.edu.pl/~ewas 1 Plan Bioinformatyka Ewolucyjne podstawy Bioinformatyki Filogenetyka Bioinformatyczne narzędzia
Bardziej szczegółowoKonstruowanie drzew filogenetycznych. Magda Mielczarek Katedra Genetyki Uniwersytet Przyrodniczy we Wrocławiu
Konstruowanie drzew filogenetycznych Magda Mielczarek Katedra Genetyki Uniwersytet Przyrodniczy we Wrocławiu Drzewa filogenetyczne ukorzenione i nieukorzenione binarność konstrukcji topologia (sposób rozgałęziana
Bardziej szczegółowoMitochondrialna Ewa;
Mitochondrialna Ewa; jej sprzymierzeńcy i wrogowie Lien Dybczyńska Zakład genetyki, Uniwersytet Warszawski 01.05.2004 Milion lat temu Ale co dalej??? I wtedy wkracza biologia molekularna Analiza różnic
Bardziej szczegółowoPODSTAWY BIOINFORMATYKI WYKŁAD 5 ANALIZA FILOGENETYCZNA
PODSTAWY BIOINFORMATYKI WYKŁAD 5 ANALIZA FILOGENETYCZNA ANALIZA FILOGENETYCZNA 1. Wstęp - filogenetyka 2. Struktura drzewa filogenetycznego 3. Metody konstrukcji drzewa 4. Etapy konstrukcji drzewa filogenetycznego
Bardziej szczegółowoEwolucja informacji genetycznej
1 Ewolucja informacji genetycznej Czym jest życie? metabolizm + informacja (replikacja) Cząsteczki organiczne mogły powstać w atmosferze pierwotnej Ziemi Oparin, Haldane Miller, 1953 Co było najpierw?
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 szczegółowoPodstawy teorii ewolucji. Informacja i ewolucja
Podstawy teorii ewolucji Informacja i ewolucja Podręczniki 2 Dla zainteresowanych http://wps.prenhall.com/esm_freeman_evol_4/ 3 Informacje Kontakt: Paweł Golik Instytut Genetyki i Biotechnologii, Pawińskiego
Bardziej szczegółowoPowstanie i ewolucja informacji genetycznej
Powstanie i ewolucja informacji genetycznej Czym jest życie? metabolizm + informacja (replikacja) 2 Cząsteczki organiczne mogły powstać w atmosferze pierwotnej Ziemi Oparin, Haldane Miller, 1953 3 (A)biogeneza
Bardziej szczegółowoWSTĘP. Copyright 2011, Joanna Szyda
BIOINFORMATYKA 1. Wykład wstępny 2. Struktury danych w badaniach bioinformatycznych 3. Bazy danych: projektowanie i struktura 4. Bazy danych: projektowanie i struktura 5. Równowaga Hardyego-Weinberga,
Bardziej szczegółowoPodstawy biologii. Informacja genetyczna. Co to jest ewolucja.
Podstawy biologii Informacja genetyczna. Co to jest ewolucja. Zarys biologii molekularnej genu Podstawowe procesy genetyczne Replikacja powielanie informacji Ekspresja wyrażanie (realizowanie funkcji)
Bardziej szczegółowoUrszula Poziomek, doradca metodyczny w zakresie biologii Materiał dydaktyczny przygotowany na konferencję z cyklu Na miarę Nobla, 14 stycznia 2010 r.
Ćwiczenie 1 1 Wstęp Rozważając możliwe powiązania filogenetyczne gatunków, systematyka porównuje dane molekularne. Najskuteczniejszym sposobem badania i weryfikacji różnych hipotez filogenetycznych jest
Bardziej szczegółowoMapowanie genów cz owieka. podstawy
Mapowanie genów czowieka podstawy Sprzężenie Geny leżące na różnych chromosomach spełniają II prawo Mendla Dla 2 genów: 4 równoliczne klasy gamet W. S Klug, M.R Cummings Concepts of Genetics 8 th edition,
Bardziej szczegółowoEwolucjonizm NEODARWINIZM. Dr Jacek Francikowski Uniwersyteckie Towarzystwo Naukowe Uniwersytet Śląski w Katowicach
Ewolucjonizm NEODARWINIZM Dr Jacek Francikowski Uniwersyteckie Towarzystwo Naukowe Uniwersytet Śląski w Katowicach Główne paradygmaty biologii Wspólne początki życia Komórka jako podstawowo jednostka funkcjonalna
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 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 szczegółowoMożliwości współczesnej inżynierii genetycznej w obszarze biotechnologii
Możliwości współczesnej inżynierii genetycznej w obszarze biotechnologii 1. Technologia rekombinowanego DNA jest podstawą uzyskiwania genetycznie zmodyfikowanych organizmów 2. Medycyna i ochrona zdrowia
Bardziej szczegółowoAnalizy filogenetyczne
BIOINFORMATYKA edycja 2016 / 2017 wykład 6 Analizy filogenetyczne dr Jacek Śmietański jacek.smietanski@ii.uj.edu.pl http://jaceksmietanski.net Plan wykładu 1. Cele i zastosowania 2. Podstawy ewolucyjne
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoRycina 1. Zasięg i zagęszczenie łosi (liczba osobników/1000 ha) w Polsce w roku 2010 oraz rozmieszczenie 29 analizowanych populacji łosi.
Ryciny 193 Rycina 1. Zasięg i zagęszczenie łosi (liczba osobników/1000 ha) w Polsce w roku 2010 oraz rozmieszczenie 29 analizowanych populacji łosi. Na fioletowo zaznaczone zostały populacje (nr 1 14)
Bardziej szczegółowoDryf genetyczny i jego wpływ na rozkłady próbek z populacji - modele matematyczne. Adam Bobrowski, IM PAN Katowice
Dryf genetyczny i jego wpływ na rozkłady próbek z populacji - modele matematyczne Adam Bobrowski, IM PAN Katowice 1 Tematyka cyklu referatów Dryf genetyczny Matematyczne modele równowagi między mutacja
Bardziej szczegółowoKonspekt do zajęć z przedmiotu Genetyka dla kierunku Położnictwo dr Anna Skorczyk-Werner Katedra i Zakład Genetyki Medycznej
Seminarium 1 część 1 Konspekt do zajęć z przedmiotu Genetyka dla kierunku Położnictwo dr Anna Skorczyk-Werner Katedra i Zakład Genetyki Medycznej Genom człowieka Genomem nazywamy całkowitą ilość DNA jaka
Bardziej szczegółowoEwolucja człowieka. Ślady w ziemi i ślady w genach
Ewolucja człowieka Ślady w ziemi i ślady w genach 1 Złożone zagadki } } Odnaleziono wiele skamieniałości naczelnych, różne gatunki w tym samym czasie Trudno ustalić relacje między nimi } Przodkowie, czy
Bardziej szczegółowoAcknowledgement. Drzewa filogenetyczne
Wykład 8 Drzewa Filogenetyczne Lokalizacja genów Some figures from: Acknowledgement M. Zvelebil, J.O. Baum, Introduction to Bioinformatics, Garland Science 2008 Tradycyjne drzewa pokrewieństwa Drzewa oparte
Bardziej szczegółowoEkologia molekularna. wykład 1
Ekologia molekularna wykład 1 Dobór i ewolucja Ewolucja = zmienność + dobór 1. Rodzi się więcej osobników niż jest w stanie przeżyć. 2. Osobniki różnią się między sobą (zmienność). Różnice te wpływają
Bardziej szczegółowopaździernika 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 szczegółowoZmienność ewolucyjna. Ewolucja molekularna
Zmienność ewolucyjna Ewolucja molekularna Podobieństwo i homologia Homologia: podobieństwo wynikające ze wspólnego pochodzenia ewolucyjnego cecha odziedziczona od wspólnego przodka vs. homoplazja podobieństwo
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 szczegółowoPODSTAWY BIOINFORMATYKI 6 ANALIZA FILOGENETYCZNA
PODSTAWY BIOINFORMATYKI 6 ANALIZA FILOGENETYCZNA ANALIZA FILOGENETYCZNA 1. Wstęp - filogenetyka 2. Struktura drzewa filogenetycznego 3. Metody konstrukcji drzewa - przykłady 4. Etapy konstrukcji drzewa
Bardziej szczegółowoAnaliza sprzężeń u człowieka. Podstawy
Analiza sprzężeń u człowieka Podstawy Badanie relacji genotyp-fenotyp u człowieka Analiza sprzężeń - poszukiwanie rejonów chromosomu położonych blisko genu determinującego daną cechę Analiza asocjacji
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoPodstawy genetyki populacji. Genetyka mendlowska i ewolucja.
Podstawy genetyki populacji Genetyka mendlowska i ewolucja. Podręczniki Dla zainteresowanych https://www.pearsonhighered.com/program/herron-evolutionary-analysis-5th-edition/pgm296285.html Ewolucja biologiczna
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoEwolucja człowieka. Ślady w ziemi i ślady w genach
Ewolucja człowieka Ślady w ziemi i ślady w genach Migracje z Afryki Wnioski Model OAR zasadniczo utrzymany, ale nie taki prosty, jak się zdawało Mogło dochodzić do krzyżowania się migrantów z populacjami
Bardziej szczegółowoEkologia molekularna. wykład 3
Ekologia molekularna wykład 3 Dziedziczenie mendlowskie Grzegorz Mendel 1822-1884 Darwin + Mendel = Ronald Fisher 1890-1962 wykład 3/2 Prawo Hardy'ego-Weinberga A A gamety możliwe genotypy potomstwa genotyp
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 szczegółowoDobór naturalny. Ewolucjonizm i eugenika
Dobór naturalny Ewolucjonizm i eugenika Silna i słaba selekcja - symulacje W cieniu eugeniki Początki - XIX w. (Francis Galton) XX w. - eugenika totalitarna Poprawa jakości gatunku ludzkiego poprzez kierowanie
Bardziej szczegółowoPolimorfizm genu mitochondrialnej polimerazy gamma (pol γ) w populacjach ludzkich Europy
Polimorfizm genu mitochondrialnej polimerazy gamma (pol γ) w populacjach ludzkich Europy Praca wykonana pod kierunkiem dr hab. Tomasza Grzybowskiego w Katedrze Medycyny Sądowej w Zakładzie Genetyki Molekularnej
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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoPodstawy biologii. Podstawy biologii molekularnej
Podstawy biologii Podstawy biologii molekularnej Trochę historii - XX wiek Początek - wejście teorii Mendla do dyskursu naukowego Lata 40. - DNA jest nośnikiem genów Lata 50. - wiemy jak wygląda DNA (Franklin,
Bardziej szczegółowoo cechach dziedziczonych decyduje środowisko, a gatunki mogą łatwo i spontanicznie przechodzić jedne w drugie
Iwan Miczurin (1855-1935) Trofim Denisowicz Łysenko (1898-1976) przy interwencji człowieka możliwe jest zmuszenie każdej formy zwierzęcia lub rośliny do znacznie szybszych zmian, w kierunku pożądanym przez
Bardziej szczegółowoKorelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego
Korelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego Współczynnik korelacji opisuje siłę i kierunek związku. Jest miarą symetryczną. Im wyższa korelacja tym lepiej potrafimy
Bardziej szczegółowoPytanie: Kiedy do testowania hipotezy stosujemy rozkład normalny?
Pytanie: Kiedy do testowania hipotezy stosujemy rozkład normalny? Gdy: badana cecha jest mierzalna (tzn. posiada rozkład ciągły); badana cecha posiada rozkład normalny; dysponujemy pojedynczym wynikiem;
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 szczegółowoMetody Statystyczne. Metody Statystyczne
#7 1 Czy straszenie jest bardziej skuteczne niż zachęcanie? Przykład 5.2. s.197 Grupa straszona: 8,5,8,7 M 1 =7 Grupa zachęcana: 1, 1, 2,4 M 2 =2 Średnia ogólna M=(M1+M2)/2= 4,5 Wnioskowanie statystyczne
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 szczegółowoPamiętając o komplementarności zasad azotowych, dopisz sekwencję nukleotydów brakującej nici DNA. A C C G T G C C A A T C G A...
1. Zadanie (0 2 p. ) Porównaj mitozę i mejozę, wpisując do tabeli podane określenia oraz cyfry. ta sama co w komórce macierzystej, o połowę mniejsza niż w komórce macierzystej, gamety, komórki budujące
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM
Bardziej szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
Bardziej szczegółowoANALIZA DANYCH POCHODZĄCYCH Z SEKWENCJONOWANIA NASTĘPNEJ GENERACJI
ANALIZA DANYCH POCHODZĄCYCH Z SEKWENCJONOWANIA NASTĘPNEJ GENERACJI Joanna Szyda Magdalena Frąszczak Magda Mielczarek WSTĘP 1. Katedra Genetyki 2. Pracownia biostatystyki 3. Projekty NGS 4. Charakterystyka
Bardziej szczegółowoAnaliza sprzężeń u człowieka. Podstawy
Analiza sprzężeń u człowieka Podstawy Geny i chromosomy Allele genów zlokalizowanych na różnych chromosomach segregują niezależnie (II prawo Mendla) Dla 2 genów: 4 równoliczne klasy gamet W. S Klug, M.R
Bardziej szczegółowoZadania ze statystyki, cz.6
Zadania ze statystyki, cz.6 Zad.1 Proszę wskazać, jaką część pola pod krzywą normalną wyznaczają wartości Z rozkładu dystrybuanty rozkładu normalnego: - Z > 1,25 - Z > 2,23 - Z < -1,23 - Z > -1,16 - Z
Bardziej szczegółowoZARZĄDZANIE POPULACJAMI ZWIERZĄT
ZARZĄDZANIE POPULACJAMI ZWIERZĄT Ćwiczenia 1 mgr Magda Kaczmarek-Okrój magda_kaczmarek_okroj@sggw.pl 1 ZAGADNIENIA struktura genetyczna populacji obliczanie frekwencji genotypów obliczanie frekwencji alleli
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład IX, 25.04.2016 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Plan na dzisiaj 1. Hipoteza statystyczna 2. Test statystyczny 3. Błędy I-go i II-go rodzaju 4. Poziom istotności,
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 szczegółowoPodstawy genetyki populacji. Populacje o skończonej liczebności. Dryf. Modele wielogenowe.
Podstawy genetyki populacji Populacje o skończonej liczebności. Dryf. Modele wielogenowe. Dryf genetyczny a ewolucja } Dobór naturalny nie jest jedynym mechanizmem kształtującym zmiany ewolucyjne } Losowe
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
Bardziej szczegółowoPodstawy teorii ewolucji. Informacja i ewolucja
Podstawy teorii ewolucji Informacja i ewolucja Informacje Kontakt: Paweł Golik Instytut Genetyki i Biotechnologii, Pawińskiego 5A pgolik@igib.uw.edu.pl Informacje, materiały: http://www.igib.uw.edu.pl/
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowo5. WNIOSKOWANIE PSYCHOMETRYCZNE
5. WNIOSKOWANIE PSYCHOMETRYCZNE Model klasyczny Gulliksena Wynik otrzymany i prawdziwy Błąd pomiaru Rzetelność pomiaru testem Standardowy błąd pomiaru Błąd estymacji wyniku prawdziwego Teoria Odpowiadania
Bardziej szczegółowoWykład 9 Wnioskowanie o średnich
Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i
Bardziej szczegółowoTestowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25
Testowanie hipotez Marcin Zajenkowski Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Aby porównać ze sobą dwie statystyki z próby stosuje się testy istotności. Mówią one o tym czy uzyskane
Bardziej szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoZmienność. środa, 23 listopada 11
Zmienność http://ggoralski.com Zmienność Zmienność - rodzaje Zmienność obserwuje się zarówno między poszczególnymi osobnikami jak i między populacjami. Różnice te mogą mieć jednak różne podłoże. Mogą one
Bardziej szczegółowoAnaliza sprzężeń u człowieka. Podstawy
Analiza sprzężeń u człowieka Podstawy Geny i chromosomy Allele genów zlokalizowanych na różnych chromosomach segregują niezależnie (II prawo Mendla) Dla 2 genów: 4 równoliczne klasy gamet W. S Klug, M.R
Bardziej szczegółowoStatystyczna analiza danych
Statystyczna analiza danych ukryte modele Markowa, zastosowania Anna Gambin Instytut Informatyki Uniwersytet Warszawski plan na dziś Ukryte modele Markowa w praktyce modelowania rodzin białek multiuliniowienia
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 szczegółowoTesty nieparametryczne
Testy nieparametryczne Testy nieparametryczne możemy stosować, gdy nie są spełnione założenia wymagane dla testów parametrycznych. Stosujemy je również, gdy dane można uporządkować według określonych kryteriów
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
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 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 szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Bardziej szczegółowo