1. Analiza asocjacyjna. Cechy ciągłe. Cechy binarne. Analiza sprzężeń. Runs of homozygosity. Signatures of selection
|
|
- Karolina Jabłońska
- 5 lat temu
- Przeglądów:
Transkrypt
1 BIOINFORMATYKA 1. Wykład wstępny 2. Bazy danych: projektowanie i struktura 3. Równowaga Hardyego-Weinberga, wsp. rekombinacji 4. Analiza asocjacyjna 5. Analiza asocjacyjna 6. Sekwencjonowanie nowej generacji 7. Sekwencjonowanie nowej generacji 8. Funkcjonalna adnotacja polimorfizmów 9. Funkcjonalna adnotacja polimorfizmów 10. Wybrane algorytmy 11. Wybrane algorytmy 12. Literatura Literatura Literatura Literatura
2 WSTĘP 1. Analiza asocjacyjna Cechy ciągłe Cechy binarne 2. Inne metody Analiza sprzężeń Runs of homozygosity Signatures of selection
3 WSTĘP
4 ANALIZA ASOCJACYJNA - źródła informacji ANALIZA ASOCJACYJNA wartości cechy genotypy markerów
5 ANALIZA ASOCJACYJNA - źródła informacji ANALIZA ASOCJACYJNA gen genotypy markerów
6 ANALIZA ASOCJACYJNA - poszukiwanie genów poszukiwanie markera o najwyższej korelacji ze zmiennością cechy 1) 2) M1 M2 M3 M4 M5 M6... M7 0 cm 100 cm asocjacja? M1 M2 M3 M4 M5 M6 M7 0 cm 100 cm asocjacja? lokalizacja: 1 Marker lokalizacja: 2 Marker 7) M1 M2 M3 M4 M5 M6 M7 0 cm 100 cm asocjacja? lokalizacja: 7 marker
7 ANALIZA ASOCJACYJNA cechy ciągłe
8 ANALIZA ASOCJACYJNA regresja z pojedynczym markerem przykładowy zbiór danych
9 ANALIZA ASOCJACYJNA regresja z pojedynczym markerem model regresji y = Wb + Xg + e y fenotyp g efekt markera SNP b inne efekty np. wiek e błąd X macierz wystąpień dla g W macierz wystąpień dla b
10 ANALIZA ASOCJACYJNA regresja z pojedynczym markerem estymacja efektów modelu y = Wb + Xg + e b g = W W X W W X X X 1 W y X y
11 ANALIZA ASOCJACYJNA regresja z pojedynczym markerem y = Wb + Xg + e Stwórzmy macierze b g = W W X W W X X X 1 W y X y
12 ANALIZA ASOCJACYJNA regresja z pojedynczym markerem Niezależne od frekwencji alleli Konstrukcja macierzy X Niezależne od frekwencji alleli 11 1 Kao and Zeng, Zależne od frekwencji alleli 11 2p 2 Cockerham, p 2 - p p 1
13 ANALIZA ASOCJACYJNA regresja z pojedynczym markerem Konstrukcja macierzy X
14 ANALIZA ASOCJACYJNA regresja z pojedynczym markerem HIPOTEZY H 0 : brak asocjacji/ld marker - gen g = 0 H 1 : występuje asocjacja/ld marker gen g 0 MAKSYMALNY POZIOM BŁĘDU I-GO RODZAJU a MAX = 0.05 TEST F = N 1 gx y 1 Ny y y y gx y bw y ~ F 1,N 1 UZYSKANY POZIOM BŁĘDU I-GO RODZAJU a T decyzja nt hipotez
15 ANALIZA ASOCJACYJNA regresja z pojedynczym markerem Testowanie wszystkich markerów 1) y = Wb + Xg 1 + e test F a T 2) y = Wb + Xg 2 + e test F a T... 10) y = Wb + Xg 10 + e test F a T
16 ANALIZA ASOCJACYJNA regresja z pojedynczym markerem F 1) y = Wb + Xg 1 + e F test a T 2) y = Wb + Xg 2 + e F test a T... 10) y = Wb + Xg 10 + e F test a T marker
17 ANALIZA ASOCJACYJNA regresja z pojedynczym markerem -log10(a T ) 1) y = Wb + Xg 1 + e F test a T 2) y = Wb + Xg 2 + e F test a T... 10) y = Wb + Xg 10 + e F test a T marker
18 GWAS Genomewide Association Study
19 ANALIZA ASOCJACYJNA skan genomu Genome Wide Association Study = SNP w całym genomie Copyright 2011, Joanna Szyda
20 skan genomu przykład z literatury Copyright 2011, Joanna Szyda
21 ANALIZA ASOCJACYJNA cechy binarne
22 TRANSMISSION DISEQUILIBRIUM TEST - sprzężenie + asocjacja allel przekazany allel nieprzekazany x x 1 x 2 rodzice + chore dziecko allel przekazany allel nieprzekazany x n 12 2 n 21 x
23 TRANSMISSION DISEQUILIBRIUM TEST allel przekazany allel nieprzekazany x n 12 2 n 21 x TDT 2 n n ~ 1 12 n21 n brak założeń o modelu dziedziczenia cechy
24 TRANSMISSION DISEQUILIBRIUM TEST - przykład
25 TRANSMISSION DISEQUILIBRIUM TEST - przykład HIPOTEZY H 0 : n 12 =n 21 H 1 : n 12 n 21 allel przekazany allel nieprzekazany x x H 0 : brak sprzężenia i LD miedzy markerem, a genem H 1 : występuje sprzężenia i LD miedzy markerem, a genem MAKSYMALNY POZIOM BŁĘDU I-GO RODZAJU a MAX = 0.01 TEST TDT= 8.71 dla markera D6S2889 na chromosomie 6 UZYSKANY POZIOM BŁĘDU I-GO RODZAJU a T = Segregacja genotypów markera D6S2889 jest skorelowana z objawami łysienia plackowatego Copyright 2017 Joanna Szyda
26 COCHRAN-ARMITAGE TEST Genotyp chory N 11chore N 12chore N 22chore zdrowy N 11zdrowe N 12zdrowe N 22zdrowe brak założeń nt modelu dziedziczenia cechy
27 INNE METODY STATYSTYCZNEJ DETEKCJI GENÓW
28 ANALIZA SPRZĘŻEŃ y = + q i + e prawdopodobieństwo, że dany osobnik odziedziczył określony genotyp QTL (QQ, Qq, qq) prawdopodobieństwo jest obliczone na podstawie genotypu markerów i informacji o spokrewnieniu prawdopodobieństwo jest funkcją częstości rekombinacji pomiędzy markerami
29 RUNS OF HOMOZYGOSITY 1. Runs of homozygosity identyfikacja regionów z homozygotycznymi markerami 2. ROH 3. Wskazują na regiony ważne z punktu widzenia selekcji Nature464, doi: /nature08832
30 SIGNATURES OF SELECTION ҧ ҧ 1. Różnice we frekwencji alleli między populacjami 2. Wskazują na regiony ważne z punktu widzenia selekcji F ST = σk i=1 p i K 1 p 1 p pҧ 2 K p i pҧ liczba populacji frekwencja alleli w populacji i ogólna frekwencja alleli
31 1. Analiza asocjacyjna Cechy ciągłe Cechy binarne 2. Inne metody Analiza sprzężeń Runs of homozygosity Signatures of selection
BIOINFORMATYKA 8. Analiza asocjacyjna - teoria
IOINFORMTYK 1. Wykład wstępny 2. Struktury danych w adaniach ioinformatycznych 3. azy danych: projektowanie i struktura 4. azy danych: projektowanie i struktura 5. Powiązania pomiędzy genami: równ. Hardyego-Weinerga,
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 BIOINFORMATYKI 11 BAZA DANYCH HAPMAP
PODSTAWY BIOINFORMATYKI 11 BAZA DANYCH HAPMAP WSTĘP 1. SNP 2. haplotyp 3. równowaga sprzężeń 4. zawartość bazy HapMap 5. przykłady zastosowań Copyright 2013, Joanna Szyda HAPMAP BAZA DANYCH HAPMAP - haplotypy
Bardziej szczegółowo1. Symulacje komputerowe Idea symulacji Przykład. 2. Metody próbkowania Jackknife Bootstrap. 3. Łańcuchy Markova. 4. Próbkowanie Gibbsa
BIOINFORMATYKA 1. Wykład wstępny 2. Bazy danych: projektowanie i struktura 3. Równowaga Hardyego-Weinberga, wsp. rekombinacji 4. Analiza asocjacyjna 5. Analiza asocjacyjna 6. Sekwencjonowanie nowej generacji
Bardziej szczegółowoOprogramowanie dla GWAS
BIOINFORMATYKA 1. Wykład wstępny 2. Bazy danych: projektowanie i struktura 3. Równowaga Hardyego-Weinberga, wsp. rekombinacji 4. Analiza asocjacyjna 5. Analiza asocjacyjna 6. Sekwencjonowanie nowej generacji
Bardziej szczegółowoBadania asocjacyjne w skali genomu (GWAS)
Badania asocjacyjne w skali genomu (GWAS) Wstęp do GWAS Część 1 - Kontrola jakości Bioinformatyczna analiza danych Wykład 2 Dr Wioleta Drobik-Czwarno Katedra Genetyki i Ogólnej Hodowli Zwierząt Badania
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 szczegółowoBIOINFORMATYKA. 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. Powiązania pomiędzy genami: równ.
Bardziej szczegółowoPostępy w realizacji polskiego programu selekcji genomowej buhajów MASinBULL Joanna Szyda
Postępy w realizacji polskiego programu selekcji genomowej buhajów MASinBULL Joanna Szyda Uniwersytet Przyrodniczy we Wrocławiu Katedra Genetyki, Pracownia Biostatystyki 1. MASinBULL 2. Metody oceny genomowej
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 szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoBadania asocjacyjne w skali genomu (GWAS)
Badania asocjacyjne w skali genomu (GWAS) Część 2 LD, PCA Bioinżynieria, I mgr Bioinformatyczna analiza danych Wykład 3 Dr Wioleta Drobik-Czwarno Katedra Genetyki i Ogólnej Hodowli Zwierząt Analiza głównych
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez statystycznych
Bardziej szczegółowoPodstawy genetyki człowieka. Cechy wieloczynnikowe
Podstawy genetyki człowieka Cechy wieloczynnikowe Dziedziczenie Mendlowskie - jeden gen = jedna cecha np. allele jednego genu decydują o barwie kwiatów groszku Bardziej złożone - interakcje kilku genów
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 szczegółowoPODSTAWY BIOINFORMATYKI 12 MIKROMACIERZE
PODSTAWY BIOINFORMATYKI 12 MIKROMACIERZE WSTĘP 1. Mikromacierze ekspresyjne tworzenie macierzy przykłady zastosowań 2. Mikromacierze SNP tworzenie macierzy przykłady zastosowań MIKROMACIERZE EKSPRESYJNE
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 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
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. Populacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test
Bardziej szczegółowoWSTĘP Oprogramowanie dla GWAS
ANALIZA DANYCH 1. Wykład wstępny 2. Charakterystyka danych 3. Analiza wstępna genomiczna charakterystyka cech 4. Prezentacje grup roboczych analiza wstępna 5. Prezentacje grup roboczych analiza wstępna
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 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 szczegółowoPODSTAWY BIOINFORMATYKI 6 BAZA DANYCH NCBI - II
PODSTAWY BIOINFORMATYKI 6 BAZA DANYCH NCBI - II BAZA DANYCH NCBI 1. NCBI 2. Dane gromadzone przez NCBI 3. Przegląd baz danych NCBI: Publikacje naukowe Projekty analizy genomów OMIM: fenotypy człowieka
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
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 szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZE W BIOLOGII 1. Wykład wstępny. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. ajczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZA 1. Wykład wstępny. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. ajczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoMapowanie genów cz owieka i badania asocjacji. podstawy
Mapowanie genów czowieka i badania asocjacji 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
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. Populacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test
Bardziej szczegółowoEkologia molekularna. wykład 14. Genetyka ilościowa
Ekologia molekularna wykład 14 Genetyka ilościowa Dziedziczenie mendlowskie wykład 14/2 Cechy wieloczynnikowe (ilościowe) wzrost masa ciała kolor skóry kolor oczu itp wykład 14/3 Rodzaje cech ilościowych
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 1
STATYSTYKA MATEMATYCZNA WYKŁAD 1 Wykład wstępny Teoria prawdopodobieństwa Magda Mielczarek wykłady, ćwiczenia Copyright 2017, J. Szyda & M. Mielczarek STATYSTYKA MATEMATYCZNA? ASHG 2011 Writing Workshop;
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 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 szczegółowoOpis wykonanych badań naukowych oraz uzyskanych wyników
Opis wykonanych badań naukowych oraz uzyskanych wyników 1. Analiza danych (krok 2 = uwzględnienie epistazy w modelu): detekcja QTL przy wykorzystaniu modeli dwuwymiarowych z uwzględnieniem różnych modeli
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. opulacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoSkładniki jądrowego genomu człowieka
Składniki jądrowego genomu człowieka Genom człowieka 3 000 Mpz (3x10 9, 100 cm) Geny i sekwencje związane z genami (900 Mpz, 30% g. jądrowego) DNA pozagenowy (2100 Mpz, 70%) DNA kodujący (90 Mpz ~ ok.
Bardziej szczegółowoZmienność populacji człowieka. Polimorfizmy i asocjacje
Zmienność populacji człowieka Polimorfizmy i asocjacje Prezentacja } http://wiki.biol.uw.edu.pl/ 2 MONOGENOWE CZYNNIKI GENETYCZNE DZIEDZICZENIE MENDLOWSKIE NIEPEŁNA PENETRACJA GENU DZIEDZICZENIE WIELOCZYNNIKOWE
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoPRZYGODY DGV. historia programu selekcji genomowej w Polsce. Joanna Szyda, Andrzej Żarnecki
PRZYGODY DGV historia programu selekcji genomowej w Polsce Joanna Szyda, Andrzej Żarnecki Co to DGV? DGV Direct Genomic Value bezpośrednia genomowa wartość hodowlana suma addytywnych efektów markerów SNP
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. Populacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test
Bardziej szczegółowoZARZĄDZANIE POPULACJAMI ZWIERZĄT 1. RÓWNOWAGA GENETYCZNA POPULACJI. Prowadzący: dr Wioleta Drobik Katedra Genetyki i Ogólnej Hodowli Zwierząt
ZARZĄDZANIE POPULACJAMI ZWIERZĄT 1. RÓWNOWAGA GENETYCZNA POPULACJI Fot. W. Wołkow Prowadzący: dr Wioleta Drobik Katedra Genetyki i Ogólnej Hodowli Zwierząt POPULACJA Zbiór organizmów żywych, które łączy
Bardziej szczegółowoCzłowiek mendlowski? Genetyka człowieka w XX i XXI w.
Człowiek mendlowski? Genetyka człowieka w XX i XXI w. Informacje Kontakt: Paweł Golik Instytut Genetyki i Biotechnologii, Pawińskiego 5A pgolik@igib.uw.edu.pl Informacje, materiały: http://www.igib.uw.edu.pl/
Bardziej szczegółowoWprowadzenie do genetyki medycznej i sądowej
Genetyka medyczno-sądowa Wprowadzenie do genetyki medycznej i sądowej Kierownik Pracowni Genetyki Medycznej i Sądowej Ustalanie tożsamości zwłok Identyfikacja sprawców przestępstw Identyfikacja śladów
Bardziej szczegółowoEkologia molekularna. wykład 10
Ekologia molekularna wykład 10 Zasięg gatunku wykład 10/2 Środowisko Człowiek rozumny posiada bardzo szeroki zasięg występowania, nie dorównuje mu w tym względzie żaden inny ssak. Zamieszkuje on wszystkie
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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. Populacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoGENETYKA POPULACJI. Ćwiczenia 1 Biologia I MGR /
GENETYKA POPULACJI Ćwiczenia 1 Biologia I MGR 1 ZAGADNIENIA struktura genetyczna populacji obliczanie frekwencji genotypów obliczanie frekwencji alleli przewidywanie struktury następnego pokolenia przy
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoGenetyka Populacji http://ggoralski.com
Genetyka Populacji http://ggoralski.com Frekwencje genotypów i alleli Frekwencja genotypów Frekwencje genotypów i alleli Zadania P AA = 250/500 = 0,5 P Aa = 100/500 = 0,2 P aa = 150/500 = 0,3 = 1 Frekwencje
Bardziej szczegółowo1. KEGG 2. GO. 3. Klastry
ANALIZA DANYCH 1. Wykład wstępny 2. Charakterystyka danych 3. Analiza wstępna genomiczna charakterystyka cech 4. Prezentacje grup roboczych analiza wstępna 5. Prezentacje grup roboczych analiza wstępna
Bardziej szczegółowoGenetyka człowieka II. Cechy wieloczynnikowe, polimorfizmy i asocjacje
Genetyka człowieka II Cechy wieloczynnikowe, polimorfizmy i asocjacje Dziedziczenie Mendlowskie - jeden gen = jedna cecha np. allele jednego genu decydują o barwie kwiatów groszku Bardziej złożone - interakcje
Bardziej szczegółowoZmienność populacji cz owieka. Polimorfizmy i asocjacje
Zmienność populacji cz owieka Polimorfizmy i asocjacje 1 Analiza ndna Analiza mtdna Przyczyna szybka ekspansja populacji 3 Zmienność genetyczna cz owieka Różnice w sekwencjach (geny, obszary niekodujące)
Bardziej szczegółowoMapowanie genów człowieka i badania asocjacji. podstawy
Mapowanie genów człowieka i badania asocjacji 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
Bardziej szczegółowoZadania do cz. II (z frekwencji i prawa Hardy ego-weinberga)
Zadania do cz. II (z frekwencji i prawa Hardy ego-weinberga) Autor: Grzegorz Góralski ggoralski.com Zadanie 1 Populacja składa się z osobników: 200 o genotypie AA; 400 Aa; 400 aa. Oblicz: frekwencje allelu
Bardziej szczegółowoSpokrewnienie prawdopodobieństwo, że dwa losowe geny od dwóch osobników są genami IBD. IBD = identical by descent, geny identycznego pochodzenia
prawdopodobieństwo, że dwa losowe geny od dwóch osobników są genami ID. Relationship Relatedness Kinship Fraternity ID = identical by descent, geny identycznego pochodzenia jest miarą względną. Przyjmuje
Bardziej szczegółowoSekwencjonowanie nowej generacji i rozwój programów selekcyjnych w akwakulturze ryb łososiowatych
Sekwencjonowanie nowej generacji i rozwój programów selekcyjnych w akwakulturze ryb łososiowatych Konrad Ocalewicz Zakład Biologii i Ekologii Morza, Instytut Oceanografii, Wydział Oceanografii i Geografii,
Bardziej szczegółowoDziedziczenie poligenowe
Dziedziczenie poligenowe Dziedziczenie cech ilościowych Dziedziczenie wieloczynnikowe Na wartość cechy wpływa Komponenta genetyczna - wspólne oddziaływanie wielu (najczęściej jest to liczba nieznana) genów,
Bardziej szczegółowoWykład 14 Test chi-kwadrat zgodności
Wykład 14 Test chi-kwadrat zgodności Obserwacje klasyfikujemy do jakościowych klas Zliczamy liczbę obserwacji w każdej klasie Jeżeli są tylko dwie klasy, to liczba obserwacji w pierszej klasie ma rozkład
Bardziej szczegółowoGenetyka człowieka II. Cechy wieloczynnikowe, polimorfizmy i asocjacje
Genetyka człowieka II Cechy wieloczynnikowe, polimorfizmy i asocjacje MONOGENOWE CZYNNIKI GENETYCZNE DZIEDZICZENIE MENDLOWSKIE NIEPEŁNA PENETRACJA GENU DZIEDZICZENIE WIELOCZYNNIKOWE Z DOMINACJĄ POJEDYNCZEGO
Bardziej szczegółowoPytania i odpowiedzi
Pytania i odpowiedzi Czy kontrola jakości płytek w programach analizy danych jest dostosowywana do przeprowadzanego badania, czy też przyjmuje się jednakową jej wartość dla różnych analiz? We wstępnym
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STTYSTYK MTMTYCZN 1. Wykład wstępny 2. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. opulacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test 2 8.
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów
STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów
Bardziej szczegółowoSYSTEMY INFORMATYCZNE WSPOMAGAJĄCE HODOWLĘ MAGDALENA FRĄSZCZAK
SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE HODOWLĘ Prowadzący: JOANNA SZYDA MAGDALENA FRĄSZCZAK WSTĘP 1. Systemy informatyczne w hodowli -??? 2. Katedra Genetyki 3. Pracownia biostatystyki - wykorzystanie narzędzi
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoZarządzanie populacjami zwierząt. Parametry genetyczne cech
Zarządzanie populacjami zwierząt Parametry genetyczne cech Teoria ścieżki zależność przyczynowo-skutkowa X p 01 Z Y p 02 p 01 2 + p 02 2 = 1 współczynniki ścieżek miary związku między przyczyną a skutkiem
Bardziej szczegółowoModelowanie danych hodowlanych
Modelowanie danych hodowlanych 1. Wykład wstępny. Algebra macierzowa 3. Wykorzystanie różnych źródeł informacji w predykcji wartości hodowlanej 4. Kowariancja genetyczna pomiędzy spokrewnionymi osobnikami
Bardziej szczegółowoZmodyfikowane wg Kadowaki T in.: J Clin Invest. 2006;116(7):1784-92
Magdalena Szopa Związek pomiędzy polimorfizmami w genie adiponektyny a wybranymi wyznacznikami zespołu metabolicznego ROZPRAWA DOKTORSKA Promotor: Prof. zw. dr hab. med. Aldona Dembińska-Kieć Kierownik
Bardziej szczegółowoCECHY ILOŚCIOWE PARAMETRY GENETYCZNE
CECHY ILOŚCIOWE PARAMETRY GENETYCZNE Zarządzanie populacjami zwierząt, ćwiczenia V Dr Wioleta Drobik Rodzaje cech Jakościowe o prostym dziedziczeniu uwarunkowane zwykle przez kilka genów Słaba podatność
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 3. Populacje i próby danych
STATYSTYKA MATEMATYCZNA WYKŁAD 3 Populacje i próby danych POPULACJA I PRÓBA DANYCH POPULACJA population Obserwacje dla wszystkich osobników danego gatunku / rasy PRÓBA DANYCH sample Obserwacje dotyczące
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 TEST T
STATYSTYKA MATEMATYCZNA WYKŁAD 5 TEST T WSTĘP Test t 1. Zakres stosowalności 2. Dla pojedynczej próby 3. Dla 2 niezależnych prób 4. Dla 2 sparowanych prób ZAKRES STOSOWALNOŚCI TESTU T 1. Test parametryczny
Bardziej szczegółowoGENETYKA POPULACJI. Ćwiczenia 4 Biologia I MGR
GEETYKA POPULACJI Ćwiczenia 4 Biologia I MGR Ad. Ćwiczenia Liczba możliwych genotypów w locus wieloallelicznym Geny sprzężone z płcią Prawo Hardy ego-weinberga p +pq+q = p+q= m( m ) p P Q Q P p AA Aa wszystkich_
Bardziej szczegółowoBioTe21, Pracownia Kryminalistyki i Badań Ojcostwa.
Bio Kraków, dnia... EKSPERTYZA Z BADAŃ GENETYCZNYCH POKREWIEŃSTWA Nr ekspertyzy:... Badania wykonano w: Bio, Ojcostwa. Na zlecenie:... Typ wybranego testu: TIG3-16 Zlecenie z dnia:... Data otrzymania mat.
Bardziej szczegółowoJaki koń jest nie każdy widzi - genomika populacji polskich ras koni
Jaki koń jest nie każdy widzi - genomika populacji polskich ras koni Gurgul A., Jasielczuk I., Semik-Gurgul E., Pawlina-Tyszko K., Szmatoła T., Bugno-Poniewierska M. Instytut Zootechniki PIB Zakład Biologii
Bardziej szczegółowoPytania i odpowiedzi
Pytania i odpowiedzi PCA PCA a MDS - PCA bazuje na macierzy kowariancji, MDS bazuje na macierzy dystansów genetycznych Będą identyczne jeśli kowariancja będzie równa odległości euklidesowej. W badaniach
Bardziej szczegółowoBiologia medyczna, lekarski Ćwiczenie ; Ćwiczenie 19
Ćwiczenie 19 Fenotyp sportowca. Geny warunkujące fenotyp sportowca. Testy DNA w ocenie predyspozycji sportowych i ich aspekty etyczne. Genetyka cech ilościowych. Prof. dr hab. Roman Zieliński 1. "Fenotyp
Bardziej szczegółowoGenetyka człowieka II. Zaburzenia chromosomowe, cechy wieloczynnikowe, polimorfizmy i asocjacje
Genetyka człowieka II Zaburzenia chromosomowe, cechy wieloczynnikowe, polimorfizmy i asocjacje Zaburzenia chromosomowe W przypadku autosomów ciężki i plejotropowy fenotyp przeważnie letalny tylko 3 wyjątki
Bardziej szczegółowoCHARAKTERYSTYKA PRZEDMIOTU Pracownia Informatyczna 1 PRACOWNIA INFORMATYCZNA 2018/2019 MAGDA MIELCZAREK 1
CHARAKTERYSTYKA PRZEDMIOTU Pracownia Informatyczna 1 PRACOWNIA INFORMATYCZNA 2018/2019 MAGDA MIELCZAREK 1 PRACOWNIA INFORMATYCZNA PROWADZĄCY: Dr Magda Mielczarek (biolog) Katedra Genetyki, pokój nr 21
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 szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoPAKIETY STATYSTYCZNE JOANNA SZYDA TOMASZ SUCHOCKI
PAKIETY STATYSTYCZNE JOANNA SZYDA TOMASZ SUCHOCKI WSTĘP 1. Katedra Genetyki 2. Pracownia biostatystyki - projekt 3. Charakterystyka przedmiotu 4. Kontakt 5. Literatura Copyright 2017 Joanna Szyda KATEDRA
Bardziej szczegółowoAnna Szewczyk. Wydział Geodezji Górniczej i InŜynierii środowiska AGH
Anna Szewczyk Wydział Geodezji Górniczej i InŜynierii środowiska AGH Zastosowania biblioteki Genetics programu R The genetics Package Tytuł: Populacja genetyczna Wersja:1.2.0 Data utworzenia: 2005-11-09
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoTomasz Suchocki Kacper Żukowski, Magda Mielczarek, Joanna Szyda
Tomasz Suchocki Kacper Żukowski, Magda Mielczarek, Joanna Szyda Uniwersytet Przyrodniczy we Wrocławiu, Pracownia Biostatystyki Instytut Zootechniki Państwowy Instytut Badawczy 2 > 76 000 osobników w bazie
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoZmienność genetyczna człowieka
Zmienność genetyczna człowieka Zmienność prawidłowa i choroby wieloczynnikowe www.igib.uw.edu.pl prezentacja Różnorodność genetyczna człowieka Projekt 1000 genomów poszukiwanie różnic w genomach różnych
Bardziej szczegółowoModelowanie danych hodowlanych
Modelowanie danych hodowlanych 1. Wykład wstępny 2. Algebra macierzowa 3. Wykorzystanie różnych źródeł informacji w predykcji wartości hodowlanej 4. Kowariancja genetyczna pomiędzy spokrewnionymi osobnikami
Bardziej szczegółowo2. CZYNNIKI ZABURZAJĄCE RÓWNOWAGĘ GENETYCZNĄ
ZARZĄDZANIE POPULACJAMI ZWIERZĄT 2. CZYNNIKI ZABURZAJĄCE RÓWNOWAGĘ GENETYCZNĄ POPULACJI Fot. W. Wołkow Prowadzący: dr Wioleta Drobik Katedra Genetyki i Ogólnej Hodowli Zwierząt MIGRACJE Zmiana frekwencji
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
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 szczegółowoZastosowanie nowych technologii genotypowania w nowoczesnej hodowli i bankach genów
Zastosowanie nowych technologii genotypowania w nowoczesnej hodowli i bankach genów Jerzy H. Czembor, Bogusław Łapiński, Aleksandra Pietrusińska, Urszula Piechota Krajowe Centrum Roślinnych Zasobów Genowych
Bardziej szczegółowoPRACE NAUKOWE Akademii im. Jana Długosza w Częstochowie Informatyka, Inżynieria Bezpieczeństwa
PRACE NAUKOWE Akademii im. Jana Długosza w Częstochowie Technika, Informatyka, Inżynieria Bezpieczeństwa 2013, t. I Artur Gola Akademia im. Jana Długosza Al. Armii Krajowej 13/15, 42-200 Częstochowa, e-mail:
Bardziej szczegółowoEkologia ogólna. wykład 4. Metody molekularne Genetyka populacji
Ekologia ogólna wykład 4 Metody molekularne Genetyka populacji Kalosze vs. fartuchy wykład 4/2 Techniki molekularne DNA mitochondrialne / chloroplastowe Konserwowane ewolucyjne, wiele kopii w komórce Wykorzystanie
Bardziej szczegółowoBliskie Spotkanie z Biologią. Genetyka populacji
Bliskie Spotkanie z Biologią Genetyka populacji Plan wykładu 1) Częstości alleli i genotypów w populacji 2) Prawo Hardy ego-weinberga 3) Dryf genetyczny 4) Efekt założyciela i efekt wąskiego gardła 5)
Bardziej szczegółowoBiologia medyczna, materiały dla studentów
Jaka tam ewolucja. Zanim trafię na jednego myślącego, muszę stoczyć bitwę zdziewięcioma orangutanami Carlos Ruis Zafon Wierzbownica drobnokwiatowa Fitosterole, garbniki, flawonoidy Właściwości przeciwzapalne,
Bardziej szczegółowoĆwiczenie 12. Diagnostyka molekularna. Poszukiwanie SNPs Odczytywanie danych z sekwencjonowania. Prof. dr hab. Roman Zieliński
Ćwiczenie 12 Diagnostyka molekularna. Poszukiwanie SNPs Odczytywanie danych z sekwencjonowania Prof. dr hab. Roman Zieliński 1. Diagnostyka molekularna 1.1. Pytania i zagadnienia 1.1.1. Jak definiujemy
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 szczegółowo