Praktikum z bioinformatiky I&II (VŠCHT – ZS+LS 2024/2025)

21PL+kecanemanZ.iriJ

Pomůcky

…

Soubory z hodin

1. 2024-09-17:
   • záznam z Dreampie (iterátory a binární příznaky)
   • generátorový načítač sekvencí z formátu FASTA
   • binární příznaky modulu re
2. 2024-09-24:
   • ...

Příklady

1. práce s daty ve formátech FASTA a FASTQ
2. ...

Domácí úkoly: ZS, LS

Nenechávejte si je na poslední chvíli…

Projekty a cvičení

1. bioinformatické formáty:
       ~ formáty FASTA, FASTQ
       ~ formát SAM & BAM
       ~ formát GenBank [TODO]
       ~ EBML, GFF3…
   PS: binární příznaky (binary flags)
2. PS: validace a oprava dat
       ~ úvod
       ~ detekce chyb (kontrolní číslice a kontrolní součty) [TODO – CRC & hash]
       ~ oprava chyb (opravné kódy) [TODO]
       ~ …
3. PS: přibližné výpočty
       ~ počítání s konečnou přesností, reprezentace čísel v počítači, přenos a šíření chyb
       ~ náhodnost v počítačích a metoda Monte Carlo (výpočet čísla π, určité integrály, Brownův pohyb)
       ~ …
4. PS: rekurze, náročnost algoritmů, dynamické programování
   1. úvod
   2. dynamické programování, memoizace [TODO příklady]
   3. příklad – rozměňování mincí (hrubá síla, „hladové“ algoritmy a rekurze)
   4. příklad – zarovnávání řetězců (rekurze s více větvemi)
5. zarovnávání sekvencí (jednoduché)
       ~ globální rekurzivně shora dolů
       ~ Needleman–Wunsch-Gotoh (globální dynamickým programováním zdola nahoru)
       ~ Smith–Waterman (lokální zarovnání) [TODO obrázek]
       ~ banded Smith–Waterman (lokální zarovnání) [TODO obrázek]
       ~ dotploty a jejich souvislost s výše uvedenými algoritmy [jen příklady]
6. zarovnávání sekvencí (vícenásobné)
       ~ přímé zobecnění z 2D-tabulky do hyperkrychle (výpočetně neprůchozí i při zjednodušeních typu BSW)
       ~ další zobecnění, např. pomocí genetických algoritmů
       ~ srovnání dostupných metod (CLUSTAL W, MUSCLE, T-COFFEE, DIALIGN 2, MAFFT, DCA, PROBCONS…)
       ~ …
7. hledání vzorů při známém MSA (deterministické)
       ~ úvod (včetně consensus sequences)
       ~ PSSM a PWM (profile matrices), sekvenční loga, informační obsah
       ~ skórovací matice
       ~ generalized profiles (zobecněné profily nástrojů pftools) [TODO]
       ~ HMM (hidden Markov models)
   
   PS: (skryté) Markovovy modely

   1. Markovovy modely
   2. skryté Markovovy modely
   3. dekódování HMM – Viterbiho algoritmus
   4. evaluace HMM – „Forward/backward“ algoritmus
   5. učení HMM – Viterbiho učení a Baum-Welshův algoritmus
8. teorie informace v bioinformatice, informační obsah
       ~ matice profilů PSSM podruhé – slajdy 10 a 16
       ~ sekvenční loga a informační obsah matic PWM
       ~ Hammingova vzdálenost versus entropie
   PS: teorie informace
   1. teorie informace
   2. entropie
   3. relativní entropie [TODO]
9. hledání vzorů bez existujícího MSA (náhodné)
       ~ zcela náhodné hledání vzorů
       ~ Gibbs sampling aneb „algoritmus MC²“ = Markov chain Monte Carlo
10. PS: grafy

    1. …
    PS: komprimace dat
    1. RLE – run-length encoding
    2. BWT – transformace Burrowse-Wheelera
    3. …
11. grafy v bioinformatice, genome assembly
        ~ …
    
12. sbalování RNA
        ~ maximalizace párů – algoritmus Nusinovové
        ~ započítání energie nejbližších sousedů (Nusinovová a spol.)
        ~ úprava podle Zukera-Stieglera
        ~ kovariance
        ~ …
13. sbalování bílkovin
        ~ …
14. neuronové sítě, strojové učení
        ~ úvod
        ~ Hopfieldovy neuronové sítě a rozpoznávání obrazů [TODO]
        ~ …

Užitečné pythoní knihovny

• modul textwrap (pokročilé formátování textů)
• modul pathlib (objektový přístup k souborovému systému)
• modul fileinput (mimo jiné podpora pajpy)
• modul mmap (urychlení práce s obrovskými soubory)
• …

Hodnocení

Předmět bude hodnocen za odevzdané domácí úkoly (polovina bodů při pozdním odevzdání), přednesenou přednášku na přidělené téma a případné přezkoušení.