Biyoenformatik
Giriş
Ders Hangi Soruyu Sorar?
Biyoenformatik, DNA, RNA ve protein dizileri gibi biyolojik verileri algoritma ve istatistikle çözümler. Ders dizi hizalama, genom birleştirme, gen ifadesi analizi ve protein yapısı tahmini gibi problemleri, bu verinin büyüklüğü ve gürültüsüyle başa çıkan yöntemlerle ele alır.
Bir bakışta
biyoloji, algoritma ve istatistik
DNA, protein dizileri, ifade verisi
hizalama, yapı, işlev tahmini
biyolojik geçerlilik
orta-yüksek
çok büyük dizi verisi
Giriş
Kısa Tarihçe
Watson ve Crick, Franklin'in verilerinden de yararlanarak DNA'nın çift sarmal yapısını önerir.
Needleman ve Wunsch dinamik programlamayla global dizi hizalama algoritmasını yayımlar.
Smith ve Waterman yerel dizi hizalama algoritmasını yayımlar.
BLAST yayımlanır: büyük veritabanlarında hızlı, sezgisel benzerlik araması.
İnsan Genom Projesi tamamlanır; dizileme maliyeti hızla düşmeye başlar.
AlphaFold 2, CASP14'te protein yapısını deneysel yöntemlere yakın doğrulukla tahmin eder.
Ders
Temel Kavramlar
Global ve yerel hizalama; puanlama matrisleri.
GenBank, UniProt, PDB; benzerlik araması.
Gen bulma ve protein ailesi profilleri.
Kısa okumalardan genomu kurmak; de Bruijn çizgesi.
RNA-seq ile hangi genin ne kadar çalıştığını ölçmek.
Dizilerden türlerin akrabalık ağacını kurmak.
Amino asit dizisinden üç boyutlu biçimi tahmin.
Binlerce gen sınanınca yanlış keşif oranını denetlemek.
Ders
Tipik İş Akışı
Dene
İki Gen Parçasını Hizala
İki türün aynı genindeki DNA parçaları ne kadar benziyor? Needleman-Wunsch tablosu en iyi hizalamayı bulur. Dizileri ve puanları değiştirin, bir hücreye tıklayıp hesabına bakın.
Konum
Ön Koşullar
Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.
| Ders | Neden gerekir |
|---|---|
| Makine Öğrenmesi | gen ifadesi sınıflandırma, protein yapısı |
| Veri Madenciliği | dizi motifleri, kümeleme |
| Algoritmalar | dinamik programlama: dizi hizalamanın temelindeki yöntem |
| Veri Yapıları | karma tablolar, ağaçlar ve çizgeler: k-mer sayımı ve genom birleştirme |
| Biyoloji | DNA, RNA, protein ve gen ifadesinin temel işleyişi |
Konum
Dersin Komşuları
Örtüşme
Örtüştüğü Dersler
| İlişki | Ders | Ortak konu |
|---|---|---|
| uygulama | Bu ders Makine Öğrenmesi yöntemlerini uygular | gen ifadesi sınıflandırma, protein yapısı |
| uygulama | Bu ders Veri Madenciliği yöntemlerini uygular | dizi motifleri, kümeleme |
| yöntem paylaşır | Olasılıksal Grafik Modeller ile yöntem paylaşır | dizi hizalamada saklı Markov modeli |
Ayrışma
Ayrıştığı Noktalar (1/2)
| Ölçüt | Biyoenformatik | Makine Öğrenmesi | Veri Madenciliği |
|---|---|---|---|
| Temel soru | Biyolojik diziler ve moleküler veriler hesaplamayla nasıl çözümlenir? | Bir program örneklerden nasıl genelleme yapar? | Büyük veri yığınlarındaki gizli ve işe yarar örüntüler nasıl bulunur? |
| Yaklaşım | biyoloji, algoritma ve istatistik | istatistiksel öğrenme | keşfe dayalı çözümleme |
| Girdi | DNA, protein dizileri, ifade verisi | etiketli ya da etiketsiz örnekler | büyük tablo ya da işlem verisi |
| Çıktı | hizalama, yapı, işlev tahmini | tahmin yapan model | kural, küme, aykırı değer |
| Başarı ölçütü | biyolojik geçerlilik | görülmemiş veride hata | ilginçlik, destek, güven |
| Matematik yükü | orta-yüksek | yüksek: doğrusal cebir, olasılık, optimizasyon | orta |
| Veri ihtiyacı | çok büyük dizi verisi | orta ve çok | çok |
- Makine Öğrenmesi: MÖ genel amaçlı öğrenme yöntemleri geliştirir; bu ders onları dizi ve ifade verisine biyolojik bilgiyle birlikte uygular.
- Veri Madenciliği: Veri madenciliği her türlü veride örüntü arar; bu ders DNA ve protein dizilerine özgü hizalama ve motif yöntemlerini kullanır.
Ayrışma
Ayrıştığı Noktalar (2/2)
| Ölçüt | Biyoenformatik | Olasılıksal Grafik Modeller | Tıbbi Görüntü İşleme |
|---|---|---|---|
| Temel soru | Biyolojik diziler ve moleküler veriler hesaplamayla nasıl çözümlenir? | Birbirine bağlı, belirsiz çok sayıda değişken nasıl modellenir ve sorgulanır? | Röntgen, BT ve MR görüntüleri tanıya ve tedaviye nasıl yardım eder? |
| Yaklaşım | biyoloji, algoritma ve istatistik | olasılık ve çizge bir arada | görüntü işleme ve klinik bilgi |
| Girdi | DNA, protein dizileri, ifade verisi | değişkenler, bağımlılık yapısı, veri | BT, MR, röntgen, ultrason |
| Çıktı | hizalama, yapı, işlev tahmini | koşullu olasılık, en olası açıklama | bölütleme, ölçüm, tanı önerisi |
| Başarı ölçütü | biyolojik geçerlilik | olabilirlik, çıkarım doğruluğu | duyarlılık, özgüllük, Dice |
| Matematik yükü | orta-yüksek | yüksek: olasılık | orta-yüksek |
| Veri ihtiyacı | çok büyük dizi verisi | orta | az; etiket pahalı |
- Olasılıksal Grafik Modeller: Olasılıksal grafik modeller genel bir çerçevedir; bu ders saklı Markov modelini gen bulma ve protein ailelerinde kullanır.
- Tıbbi Görüntü İşleme: Tıbbi görüntü işleme organ ve dokunun görüntüsünü çözümler; bu ders moleküler düzeyde dizi ve ifade verisini çözümler.
Uygulama
Uygulama Alanları
Genetik varyantlara göre tedavi seçimi.
Virüs genomlarıyla yayılma yolunu izlemek.
Hedef protein ve molekül etkileşimini öngörmek.
Tümöre özgü mutasyonları bulmak.
Verimli ve dayanıklı bitki çeşidi ıslahı.
Türler arası akrabalığı dizilerle kurmak.
Uygulama
Araçlar ve Örnek Veriler
Araçlar ve kütüphaneler
Tanınmış veri setleri
Uygulama
Sık Karıştırılanlar
| Yaygın düşünce | Doğrusu |
|---|---|
| Bir gen, bir özellik demektir. | Çoğu özellik birçok genin ve çevrenin ortak etkisidir; tek genin belirlediği özellikler azdır. |
| Genom dizilenince işlevi de bilinir. | Dizi yalnızca bir harf dizisidir; genlerin ne yaptığını bulmak ayrı ve zor bir çözümlemedir. |
| Biyoenformatik yalnız biyologlar içindir. | Alanın çekirdeği algoritma, veri yapısı ve istatistiktir; bilgisayar mühendisleri merkezdedir. |
| Binlerce gen sınanınca anlamlı çıkanlar gerçektir. | Çoklu test yanlış pozitifleri çoğaltır; yanlış keşif oranı gibi düzeltmeler gerekir. |
Sonrası
Bu Dersten Sonra
Bu dersi temel alan ya da genişleten dersler
İlgili meslekler
Sonrası
Kaynaklar
- Durbin, Eddy, Krogh ve Mitchison, Biological Sequence Analysis, Cambridge University Press, 1998.
- Jones ve Pevzner, An Introduction to Bioinformatics Algorithms, MIT Press, 2004.
- Compeau ve Pevzner, Bioinformatics Algorithms: An Active Learning Approach, 3. baskı, Active Learning Publishers, 2018.
- Altschul ve ark., "Basic Local Alignment Search Tool", Journal of Molecular Biology 215(3), 1990.