ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ ΙΙ
ΜΠΑΓΚΟΣ ΠΑΝΤΕΛΕΗΜΩΝ
Η πλατφόρμα σάς ανακατεύθυνε αυτόματα στην αρχική σελίδα για να συνδεθείτε προτού προχωρήσετε σε άλλες ενέργειες. Πιθανόν, να έληξε η σύνοδός σας.
Το μάθημα αυτό συμπληρώνει τη Βιοπληροφορική Ι, συνθέτοντας τον βασικό κορμό γνώσεων Βιοπληροφορικής και Υπολογιστικής Βιολογίας. Εκτός από τα επί μέρους θέματα που δεν καλύπτονται στη Βιοπληροφορική Ι (γονιδιωματική, δομική βιοπληροφορική, ανάλυση δεδομένων γονιδιακής έκφρασης κ.ο.κ.) η ύλη περιλαμβάνει μεγάλο κομμάτι προγραμματισμού σε PERL για τις βασικές αναλύσεις βιολογικών δεδομένων. Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι ικανοί:
- Να επιλύουν σύνθετα προβλήματα που βιοπληροφορικής όπως ανάλυση βιολογικών δικτύων, γονιδιωματική και ανάλυση δεδομένων γονιδιακής έκφρασης
- Να γράψουν μόνοι τους ένα πρόγραμμα σε Perl το οποίο να επιλύει απλά προβλήματα διαχείρισης αλληλουχιών, αναζητήσεις προτύπων και ταξινόμησης αλληλουχιών
Υλη:
Η γλώσσα PERL: Βαθμωτές μεταβλητές, τελεστές, λίστες, πίνακες, ευρετήρια, δομές ελέγχου, διαχείριση εισόδου - εξόδου, ταύτιση προτύπων και κανονικές εκφράσεις, εφαρμογές της PERL στη Βιοπληροφορική (διαχείριση αρχείων βιολογικών δεδομένων μεγάλου όγκου, επεξεργασία αρχείων Uniprot, GenBank, PDB, PFAM κλπ, συγγραφή λογισμικού Βιοπληροφορικής, το πρόγραμμα BIOPERL). Αλγόριθμοι στη Βιοπληροφορική: Δυναμικός προγραμματισμός στη Βιοπληροφορική, αλγόριθμοι τοπικής στοίχισης, άλλες εφαρμογές δυναμικού προγραμματισμού. Συγκριτική και υπολογιστική γονιδιωματική, μέθοδοι ανάλυσης γονιδωμάτων. Δομική βιοπληροφορική, Αναπαράσταση βιολογικών δομών, αναγνώριση πρωτεϊνικού διπλώματος, προσαρμογή και υπέρθεση δομών στο χώρο, συγκριτική προτυποποίηση με βάση την ομολογία, Αγκυροβόληση δομών. Υπολογιστικές Γραμματικές και εφαρμογές (αναδίπλωση RNA, πρωτεϊνών). Ανάλυση Μικροσυστοιχιών DNA και δεδομένων γονιδιακής έκφρασης. Ανάλυση Βιολογικών Δικτύων, Μελέτη και ανάλυση διάφορων τύπων Βιολογικών Δικτύων όπως: Δίκτυα Πρωτεϊνικών Αλληλεπιδράσεων, Μεταγραφικά Ρυθμιστικά Δίκτυα, Δίκτυα Μεταγωγής Σήματος, Μεταβολικά - Βιοχημικά Δίκτυα, κλπ. Νευρωνικά Δίκτυα στη Βιοπληροφορική (πρόγνωση δομικών και λειτουργικών χαρακτηριστικών πρωτεϊνών)
Λιγότερα
Το μάθημα αυτό συμπληρώνει τη Βιοπληροφορική Ι, συνθέτοντας τον βασικό κορμό γνώσεων Βιοπληροφορικής και Υπολογιστικής Βιολογίας. Εκτός από τα επί μέρους θέματα που δεν καλύπτονται στη Βιοπληροφορική Ι (γονιδιωματική, δομική βιοπληροφορική, ανάλυση δεδομένων γονιδιακής έκφρασης κ.ο.κ.) η ύλη περιλαμβάνει μεγάλο κομμάτι προγραμματισμού σε PERL για τις βασικές αναλύσεις βιολογικών δεδομένων. Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι ικανοί:
- Να επιλύουν σύνθετα προβλήματα που βιοπληροφορικής όπως ανάλυση βιολογικών δικτύων, γονιδιωματική και ανάλυση δεδομένων γονιδιακής έκφρασης
- Να γράψουν μόνοι τους ένα πρόγραμμα σε Perl το οποίο να επιλύει απλά προβλήματα διαχείρισης αλληλουχιών, αναζητήσεις προτύπων και ταξινόμησης αλληλουχιών
Υλη:
Η γλώσσα PERL: Βαθμωτές μεταβλητές, τελεστές, λίστες, πίνακες, ευρετήρια, δομές ελέγχου, διαχείριση εισόδου - εξόδου, ταύτιση προτύπων και κανονικές εκφράσεις, εφαρμογές της PERL στη Βιοπληροφορική (διαχείριση αρχείων βιολογι
Το μάθημα αυτό συμπληρώνει τη Βιοπληροφορική Ι, συνθέτοντας τον βασικό κορμό γνώσεων Βιοπληροφορικής και Υπολογιστικής Βιολογίας. Εκτός από τα επί μέρους θέματα που δεν καλύπτονται στη Βιοπληροφορική Ι (γονιδιωματική, δομική βιοπληροφορική, ανάλυση δεδομένων γονιδιακής έκφρασης κ.ο.κ.) η ύλη περιλαμβάνει μεγάλο κομμάτι προγραμματισμού σε PERL για τις βασικές αναλύσεις βιολογικών δεδομένων. Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι ικανοί:
- Να επιλύουν σύνθετα προβλήματα που βιοπληροφορικής όπως ανάλυση βιολογικών δικτύων, γονιδιωματική και ανάλυση δεδομένων γονιδιακής έκφρασης
- Να γράψουν μόνοι τους ένα πρόγραμμα σε Perl το οποίο να επιλύει απλά προβλήματα διαχείρισης αλληλουχιών, αναζητήσεις προτύπων και ταξινόμησης αλληλουχιών
Υλη:
Η γλώσσα PERL: Βαθμωτές μεταβλητές, τελεστές, λίστες, πίνακες, ευρετήρια, δομές ελέγχου, διαχείριση εισόδου - εξόδου, ταύτιση προτύπων και κανονικές εκφράσεις, εφαρμογές της PERL στη Βιοπληροφορική (διαχείριση αρχείων βιολογι
Περίγραμμα
Περιεχόμενο μαθήματος
Αλγόριθμοι στη Βιοπληροφορική: Δυναμικός προγραμματισμός στη Βιοπληροφορική, αλγόριθμοι τοπικής (Smith - Waterman) και ολικής στοίχισης βιολογικών ακολουθιών (Needleman - Wunch), ο αλγόριθμος του Gotoh και παραλλαγές, άλλες εφαρμογές δυναμικού προγραμματισμού, Hidden Markov Models στη Βιοπληροφορική, οι αλγόριθμοι forward και backward, αποκωδικοποίηση (αλγόριθμοι Viterbi, Nbest, Posterior, Posterior - Viterbi, OAPD), εκτίμηση παραμέτρων με τους αλγόριθμους Baum - Welch και Gradient Descent, ειδικές τροποποιήσεις του Hidden Markov Model για βιολογικά δεδομένα (Class HMM, αλγόριθμοι για σημασμένες ακολουθίες, αλγόριθμοι ενσωμάτωσης πειραματικής πληροφορίας, profile Hidden Markov Models), εμπειρικές στατιστικές μέθοδοι, ευριστικές μέθοδοι (BLAST, FASTA, CLUSTAL κλπ), η κατανομή των ακραίων τιμών του Gumbel, μέθοδοι εύρεσης παραμέτρων της κατανομής και εφαρμογές της στη Βιοπληροφορική (τοπική στοίχιση, profile Hidden Markov Models), μέθοδοι ομαδοποίησης στη Βιοπληροφορική, γενετικοί αλγόριθμοι στη Βιοπληροφορική, νευρωνικά δίκτυα στη Βιοπληροφορική, εφαρμογές των μεθόδων αυτών σε βιολογικά προβλήματα. Η γλώσσα PERL: Βαθμωτές μεταβλητές, τελεστές, λίστες, πίνακες, ευρετήρια, δομές ελέγχου, διαχείριση εισόδου - εξόδου, ταύτιση προτύπων και κανονικές εκφράσεις, εφαρμογές της PERL στη Βιοπληροφορική (διαχείριση αρχείων βιολογικών δεδομένων μεγάλου όγκου, επεξεργασία αρχείων Uniprot, GenBank, PDB, PFAM κλπ, συγγραφή λογισμικού Βιοπληροφορικής, το πρόγραμμα BIOPERL). Ειδικά θέματα Βιοπληροφορικής: Συγκριτική γονιδιωματική, δομική γονιδιωματική, λειτουργική γονιδιωματική, ανάλυση δεδομένων γονιδιακής έκφρασης, βιολογία συστημάτων.
Βιβλιογραφία
1. Εισαγωγή στους Αλγόριθμους Βιοπληροφορικής, NEIL C. JONES, PAVEL A. PEVZNER, ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ, 2010, ΑΘΗΝΑ
2. Βιοπληροφορική και Λειτουργική Γονιδιωματική, Jonathan Pevsner, ΑΚΑΔΗΜΑΪΚΕΣ ΕΚΔΟΣΕΙΣ, ISBN: 978-618-5135-17-1
3. Μπάγκος, Π., 2015. Βιοπληροφορική. [ηλεκτρ. βιβλ.] Αθήνα:Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. Διαθέσιμο στο: http://hdl.handle.net/11419/5016
4. Νικολάου, Χ., Χουβαρδάς, Π., 2015. Υπολογιστική βιολογία. [ηλεκτρ. βιβλ.] Αθήνα:Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. Διαθέσιμο στο: http://hdl.handle.net/11419/1577
Πρόσθετο Υλικό
- Shawn T. O’Neil. A Primer for Computational Biology https://open.oregonstate.education/computationalbiology/
- Jens Stoye et al. Algorithms for Phylogenetic Reconstructions http://profs.scienze.univr.it/~liptak/ALBioinfo/files/PhylogenetikSkript2009.pdf
- Jens Stoye et al. Sequence Analysis http://profs.scienze.univr.it/~liptak/ALBioinfo/files/sequence_analysis.pdf
- Sabu M. Thampi. Introduction to Bioinformatics https://arxiv.org/abs/0911.4230
- David A. Hendrix. Applied Bioinformatics https://open.oregonstate.education/appliedbioinformatics/
- Computational Biology - Genomes, Networks, and Evolution (Kellis et al.) https://bio.libretexts.org/Bookshelves/Computational_Biology/Book%3A_Computational_Biology_-_Genomes_Networks_and_Evolution_(Kellis_et_al.)
- Keith Bradnam & Ian Korf. Unix and Perl Primer for Biologists http://korflab.ucdavis.edu/Unix_and_Perl/current.pdf
- Martin Jones. Python for Biologists http://userpages.fu-berlin.de/digga/p4b.pdf
- Learning To Program With Perl https://www.bioinformatics.babraham.ac.uk/training/Perl%20Introduction.pdf
- Avril Coghlan . A Little Book of R For Bioinformatics https://buildmedia.readthedocs.org/media/pdf/a-little-book-of-r-for-bioinformatics/latest/a-little-book-of-r-for-bioinformatics.pdf
- Bradley M. Kuhn. Picking Up Perl. https://www.ebb.org/PickingUpPerl/
- Mark Kvale. perlretut - Perl regular expressions tutorial.
- Canonical Ubuntu. The Linux command line for beginners. https://ubuntu.com/tutorials/command-line-for-beginners
- William Shotts. The Linux command line. https://linuxcommand.org
- M.Stonebank. Unix Tutorial for Beginers. https://info-ee.surrey.ac.uk/Teaching/Unix/
Μαθησιακοί στόχοι
Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι ικανοί:
- Να επιλύουν σύνθετα προβλήματα που βιοπληροφορικής όπως ανάλυση βιολογικών δικτύων, γονιδιωματική και ανάλυση δεδομένων έκφρασης
- Να γράψουν μόνοι τους ένα πρόγραμμα σε Perl το οποίο να επιλύει απλά προβλήματα διαχείρισης αλληλουχιών, αναζητήσεις προτύπων και πρόγνωσης
Κανονισμός Εργαστηριακών Ασκήσεων
Κανονισμός εργαστηριακών ασκήσεων
1) Η παρακολούθηση και η ολοκλήρωση των εργαστηριακών ασκήσεων είναι υποχρεωτική. Λόγω των ειδικών συνθηκών και της διεξαγωγής 3 ασκήσεων σε κάθε εργαστήριο (9 ασκήσεις συνολικά), η δυνατότητα απουσίας σε ένα από τα 3 εργαστήρια θα επιτραπεί και θα θεωρείται δικαιολογημένη μόνο για σοβαρούς κυρίως ιατρικούς λόγους και σε αυτές τις περιπτώσεις απαιτείται η προσκόμιση της αντίστοιχης βεβαίωσης. Σε τέτοιες περιπτώσεις προβλέπεται και επαναληπτική εργαστηριακή άσκηση (υπάρχει στο πρόγραμμα)
2) Η βαθμολογία των εργασιών αυτών θα προσμετράται στον τελικό βαθμό κατά 40% μόνο κατά το έτος άσκησης (για σας, το έτος 2024-25). Αν κάποιος δεν παραδώσει τις εργασίες μέσα στις προθεσμίες, δεν εχει δικαίωμα συμμετοχής στις εξετάσεις. Οι φοιτητές θα επιλύουν ασκήσεις στο χώρο του εργαστηρίου και στο σπίτι τις οποίες θα ανεβάζουν στο GitHub σε διάστημα 3 εβδομάδων (μέχρι την επόμενη εργαστηριακή άσκηση). Συνολικά θα υπάρξουν 4 ασκήσεις για το σπίτι , μια για κάθε εργαστηριακή άσκηση καθώς και μια τελική και το σύνολο της βαθμολογίας θα αποτελεί το 40% του τελικού βαθμού. Αναλυτικότερες οδηγίες θα δοθούν μέσα στο εργαστήριο.
3) Αν κάποιος φοιτητής δεν καταφέρει να πάρει προβιβάσιμο βαθμό στην γραπτή εξέταση στις 2 εξεταστικές (Ιανουάριο, Σεπτέμβριο), αλλά έχει ολοκληρώσει επιτυχώς τις εργαστηριακές ασκήσεις και έχει παραδώσει τις εργασίες (ανεξάρτητα απο την βαθμολογία που θα λάβει), τότε τις επόμενες χρονιές θα πρέπει να εξεταστεί μόνο στο μάθημα και ο τελικός βαθμός θα προκύψει από την βαθμολογία της γραπτής εξέτασης που θα λάβει.
4) Οι φοιτητές παλαιότερων ετών που έχουν ολοκληρώσει τις εργαστηριακές ασκήσεις χωρίς απουσίες δεν χρειάζεται να δηλώσουν συμμετοχή εκ νέου στις ασκήσεις (και ούτε να ασκηθούν εκ νέου). Ο βαθμός τους θα προκύψει όπως στο (3) ανωτέρω, από την γραπτή εξέταση.
5) Όσοι φοιτητές παλαιότερων ετών έχουν απορίες και δεν θυμούνται αν έχουν ολοκληρώσει όντως τις εργαστηριακές ασκήσεις, μπορούν να επικοινωνήσουν με τον κ. Μανιό (gmanios@uth.gr) για να κάνει τον έλεγχο.
Οδηγίες Εργαστηριακών Ασκήσεων
Γενικά
Οι εργαστηριακές ασκήσεις θα γίνονται στο Εργαστήριο 1. Για τη διευκόλυνση των φοιτητών/φοιτητριών, ενθαρρύνεται η χρήση του προσωπικού τους υπολογιστή στο χώρο του εργαστηρίου καθώς πρόκειται να εγκατασταθούν λογισμικά τα οποία θα χρησιμοποιηθούν για τη διεκπεραίωση των ασκήσεων που θα τεθούν προς επίλυση, για το σπίτι.
Οι φοιτητές/φοιτήτριες χρειάζεται να έχουν στα μηχανήματα που θα προσκομίσουν στο χώρο του εργαστηρίου (όσοι επιλέξουν να χρησιμοποιήσουν δικό τους μηχάνημα), κάποιο Linux-like λειτουργικό σύστημα και να βεβαιωθούν πως η γλώσσα προγραμματισμού Perl υπάρχει και λειτουργεί στο μηχάνημα τους. Αν χρησιμοποείτε λειτουργικό σύστημα Windows μπορείτε να εγκαταστήσετε το Windows Subsystem for Linux, ή καποιο είδος bash shell (Git Bash, Cygwin, minGW κ.ο.κ.), Επίσης θα πρέπει να διαθέτουν κάποιον text editor, προτείνεται ο VsCode (https://code.visualstudio.com/). Τέλος θα χρειάζεται να έχουν εγκαταστήσει ήδη το Git (https://git-scm.com/).
Ημερολόγιο Διαλέξεων και εργαστηριακών ασκήσεων
ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ: ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ ΙΙ
Α/Α
Διδάσκων
Ημ/νία
Τίτλος Διάλεξης
Περιγραφή
1
Μπάγκος Π.
19-Φεβ
Εισαγωγή -Προεπισκόπηση μαθήματος, η Γλώσσα PERL
Διάλεξη
2
Μπάγκος Π.
26-Φεβ
Γλώσσα Προγραμματισμού Perl
Διάλεξη
3
Μπάγκος Π.
5-Μαρ
Γλώσσα Προγραμματισμού Perl
Διάλεξη
4
Μπάγκος Π.
12-Μαρ
Υπολογιστικές Γραμματικές
Διάλεξη
5
Μπάγκος Π.
19-Μαρ
Υπολογιστική Γονιδιωματική
Διάλεξη
6
Μπάγκος Π.
26-Μαρ
Αναζήτηση Απομακρυσμένων Ομόλογων
Διάλεξη
7
Μπάγκος Π.
2-Απρ
Ανάλυση Γονιδιακής Έκφρασης
Διάλεξη
8
Μπάγκος Π.
9-Απρ
Ανάλυση Γενετικών Δεδομένων (GWAS)
Διάλεξη
9
Μπάγκος Π.
30-Απρ
Βιοπληροφορικές μέθοδοι για Post-GWAS
Διάλεξη
10
Μπάγκος Π.
7-Μαϊ
Ανάλυση Βιολογικών Δικτύων
Διάλεξη
11
Μπάγκος Π.
14-Μαϊ
Ανάλυση Εμπλουτισμού
Διάλεξη
12
Μπάγκος Π.
21-Μαϊ
Δομική Βιοπληροφορική
Διάλεξη
13
Μπάγκος Π.
28-Μαϊ
Python
Διάλεξη
Α/Α
Διδάσκων
Ημ/νία
Τίτλος Άσκησης
Περιγραφή
1
Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α
17-Μαρ
Perl - Github
Εργαστηριακή Άσκηση 1-2-3 (Ομάδα Α)
2
Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α
24-Μαρ
Perl - Github
Εργαστηριακή Άσκηση 1-2-3 (Ομάδα Β)
3
Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α
31-Μαρ
Perl - Github
Εργαστηριακή Άσκηση 1-2-3 (Ομάδα Γ)
4
Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α
7-Απρ
Εφαρμογές Perl σε βιολογικά προβλήματα
Εργαστηριακή Άσκηση 4-5-6 (Ομάδα Α)
5
Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α
28-Απρ
Εφαρμογές Perl σε βιολογικά προβλήματα
Εργαστηριακή Άσκηση 4-5-6 (Ομάδα Β)
6
Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α
5-Μαϊ
Εφαρμογές Perl σε βιολογικά προβλήματα
Εργαστηριακή Άσκηση 4-5-6 (Ομάδα Γ)
7
Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α
12-Μαϊ
Microarrays-GWAS-Enrichment analysis
Εργαστηριακή Άσκηση 7-8-9 (Ομάδα Α)
8
Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α
19-Μαϊ
Microarrays-GWAS-Enrichment analysis
Εργαστηριακή Άσκηση 7-8-9 (Ομάδα Β)
9
Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α
26-Μαϊ
Microarrays-GWAS-Enrichment analysis
Εργαστηριακή Άσκηση 7-8-9 (Ομάδα Γ)
10
Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α
2-Ιουν
Επανάληψη-Αναπληρώσεις
Εργαστηριακή Άσκηση (όλες οι ομάδες)
Ομάδα στόχος
ΕΡΓΑΣΤΗΡΙΑΚΕΣ ΟΜΑΔΕΣ
ΟΝΟΜΑ ΕΠΩΝΥΜΟ ΟΜΑΔΑ
XHOVALIN
QAZIMI
Α
ΜΑΡΙΑ
ΑΝΑΓΝΩΣΤΟΠΟΥΛΟΥ
Α
ΒΑΣΙΛΙΚΗ-ΕΥΑΓΓΕΛΙΑ
ΑΝΑΣΤΑΣΙΑΔΟΥ
Α
ΑΝΔΡΕΑΣ
ΑΝΤΩΝΙΟΥ
Α
ΜΑΡΙΑ ΑΠΟΣΤΟΛΙΑ
ΑΡΕΘΑ
Α
ΣΠΥΡΙΔΩΝ ΤΖΕΪΜΣ
ΑΥΛΩΝΙΤΗΣ
Α
ΔΕΣΠΟΙΝΑ
ΒΑΣΙΛΑΚΗ
Α
ΒΑΣΙΛΕΙΟΣ
ΒΑΣΙΛΕΙΑΔΗΣ
Α
ΕΛΕΝΗ
ΓΑΛΑΝΑΚΗ
Α
ΓΙΑΝΝΗΣ
ΓΕΩΡΓΑΛΛΗΣ
Α
ΝΕΦΕΛΗ
ΓΙΑΝΝΑΚΑΚΗ
Α
ΙΑΚΩΒΟΣ
ΓΙΑΝΝΟΥΛΗΣ
Α
ΧΑΡΙΚΛΕΙΑ
ΓΚΡΑΝΤΟΥΝΗ
Α
ΧΡΙΣΤΙΝΑ
ΔΕΡΒΙΣΑΚΗ
Α
ΕΒΙΤΑ
ΔΗΜΗΤΡΙΟΥ
Α
ΔΗΜΗΤΡΙΟΣ
ΔΗΜΟΥ
Α
ΙΑΣΩΝ
ΔΟΥΝΑΣ
Α
ΕΜΜΑΝΟΥΗΛ
ΕΥΘΥΜΙΑΔΗΣ
Α
ΠΑΡΑΣΚΕΥΗ
ΕΦΡΑΙΜΙΔΟΥ
Α
ΕΜΜΑΝΟΥΕΛΑ
ΖΑΜΠΕΤΑΚΗ
Α
ΖΑΧΑΡΙΑΣ
ΖΑΧΑΡΟΠΟΥΛΟΣ
Α
ΖΩΗ
ΗΛΙΑΔΟΥ
Α
ΑΓΓΕΛΙΚΗ
ΘΕΟΔΟΥΛΙΔΟΥ
Α
ΜΑΡΙΑ-ΙΩΑΝΝΑ
ΚΑΛΑΪΤΖΗ
Α
ΑΛΕΞΙΑ
ΚΑΛΠΑΚΗ
Α
ΕΛΙΑΝΑ
ΚΑΜΠΕΡΑΙ
Α
ΕΙΡΗΝΗ
ΚΑΝΔΥΛΑ
Α
ΚΩΝΣΤΑΝΤΙΝΟΣ
ΚΑΡΡΑΣ
Α
ΕΛΕΝΗ
ΚΑΤΣΑΒΟΥ
Α
ΑΘΗΝΑ
ΚΑΤΣΟΥΓΙΑΝΝΟΠΟΥΛΟΥ
Β
ΤΑΝΕΡ
ΚΙΟΥΡΤ
Β
ΑΝΤΩΝΙΟΣ
ΚΟΒΑΝΙΔΗΣ
Β
ΒΑΣΙΛΗΣ
ΚΟΚΚΙΝΗΣ
Β
ΧΡΗΣΤΟΣ
ΚΟΛΩΝΙΑΣ
Β
ΠΟΛΥΧΡΟΝΙΑ ΜΑΡΙΑ
ΚΟΝΤΟΥ
Β
ΜΑΡΙΝΑ
ΚΟΡΝΗΛΑΚΗ
Β
ΕΥΑΓΓΕΛΙΑ
ΚΟΣΜΑΔΑΚΗ
Β
ΔΙΟΝΥΣΙΟΣ
ΚΟΤΖΑΪΤΣΗΣ
Β
ΔΗΜΗΤΡΙΟΣ
ΚΟΥΝΤΟΥΡΟΓΙΑΝΝΗΣ
Β
ΑΝΤΩΝΙΑ
ΚΟΥΡΕΝΤΑ
Β
ΟΥΡΑΝΊΑ
ΚΟΥΦΆΚΗ
Β
ΧΑΡΙΚΛΕΙΑ
ΚΥΡΙΩΤΗ
Β
ΕΙΡΗΝΗ
ΚΩΝΣΤΑΝΤΑΡΑ
Β
ΠΑΝΑΓΙΩΤΑ
ΛΑΓΑΝΟΠΟΥΛΟΥ
Β
ΠΕΡΙΚΛΗΣ ΣΤΥΛΙΑΝΟΣ
ΛΙΘΟΞΟΟΣ
Β
ΣΤΑΥΡΟΥΛΑ
ΛΥΓΓΙΤΣΟΥ
Β
ΓΕΩΡΓΙΟΣ
ΜΑΝΟΥΣΑΡΙΔΗΣ
Β
ΜΑΡΙΑ ΙΩΑΝΝΑ
ΜΑΟΥΝΗ
Β
ΣΕΛΙΝ
ΜΕΜΕΤ ΟΓΛΟΥ
Β
ΚΩΝΣΤΑΝΤΙΝΑ ΗΛΙΑΝΑ
ΜΕΞΗ
Β
ΕΥΑΓΓΕΛΙΑ
ΜΙΧΕΛΑΚΗ
Β
ΠΕΤΡΟΣ
ΜΟΣΧΟΒΑΚΟΣ
Β
ΕΛΕΥΘΕΡΙΑ
ΜΟΥΛΑΚΑΚΗ
Β
ΚΩΝΣΤΑΝΤΙΝΑ
ΜΠΑΜΠΑΛΙΑΡΗ
Β
ΙΩΑΝΝΗΣ
ΜΥΛΩΝΑΚΗΣ
Β
ΑΙΚΑΤΕΡΙΝΗ
ΝΑΤΣΟΥΛΗ
Β
ΕΥΑΓΓΕΛΙΑ ΑΙΚΑΤΕΡΙΝΑ
ΝΙΚΑ
Β
ΜΑΡΙΑ
ΝΤΑΓΚΙΝΗ
Β
ΖΩΗΣ
ΞΟΝΟΓΛΟΥ
Γ
ΚΩΝΣΤΑΝΤΙΝΑ
ΠΑΝΑΓΙΩΤΟΥ
Γ
ΚΑΤΕΡΙΝΑ
ΠΑΝΤΖΙΑΛΑ
Γ
ΘΕΟΔΩΡΑ ΑΙΚΑΤΕΡΙΝΗ
ΠΑΠΑΖΟΓΛΟΥ
Γ
ΠΑΝΑΓΙΩΤΗΣ
ΠΑΠΑΚΩΝΣΤΑΝΤΙΝΟΥ
Γ
ΜΙΧΑΗΛ
ΠΕΤΡΙΣΗΣ
Γ
ΜΑΡΙΑ
ΡΩΣΣΗ
Γ
ΚΡΥΣΤΑΛΙΑ
ΣΑΛΔΑΡΗ
Γ
ΛΕΩΝΙΔΑΣ
ΣΑΛΗΚΥΡΙΑΚΗΣ
Γ
ΜΑΡΙΑΝΝΑ
ΣΑΜΙΤΑ
Γ
ΤΑΜΖΙΝΤ ΡΑΚΙ
ΣΑΡΙΦ
Γ
ΙΩΣΗΦ
ΣΑΡΡΗΣ
Γ
ΠΑΝΑΓΙΩΤΗΣ
ΣΙΑΚΑΣ
Γ
ΝΕΚΤΑΡΙΟΣ
ΣΙΔΕΡΗΣ
Γ
ΜΑΡΙΑ
ΣΟΥΛΙΩΤΗ
Γ
ΓΡΗΓΟΡΗΣ
ΣΠΥΡΑΤΟΣ
Γ
ΕΙΡΗΝΗ ΓΕΩΡΓΙΑ
ΣΤΑΜΑΤΟΠΟΥΛΟΥ
Γ
ΧΑΡΑ ΙΩΑΝΝΑ
ΣΤΕΦΑΝΟΥ
Γ
ΑΝΤΩΝΙΟΣ
ΤΑΣΙΟΥΔΗΣ
Γ
ΑΦΡΟΔΙΤΗ
ΤΖΑΜΑ
Γ
ΖΩΗ
ΤΣΑΓΚΑΡΑΚΗ
Γ
ΜΙΧΑΗΛ-ΠΑΝΑΓΙΩΤΗΣ
ΤΣΑΝΤΗΡΑΚΗΣ
Γ
ΑΝΑΣΤΑΣΙΟΣ
ΤΣΑΠΑΔΙΚΟΣ
Γ
ΙΩΑΝΝΗΣ
ΤΣΑΡΔΙΝΗΣ
Γ
ΧΡΥΣΑΝΘΗ
ΤΣΕ
Γ
ΑΝΓΓΕΛΙΚΑ
ΦΕΛΑΧ
Γ
ΚΩΝΣΤΑΝΤΙΝΟΣ
ΦΡΑΓΚΙΑΔΑΚΗΣ
Γ
ΑΙΚΑΤΕΡΙΝΗ
ΧΑΡΑΛΑΜΠΙΔΟΥ
Γ
ΓΕΩΡΓΙΟΣ
ΧΑΤΖΗΣ
Γ
ΞΕΝΟΦΩΝ
ΧΡΥΣΟΜΑΛΛΗΣ
Γ
Αλγόριθμοι στη Βιοπληροφορική: Δυναμικός προγραμματισμός στη Βιοπληροφορική, αλγόριθμοι τοπικής (Smith - Waterman) και ολικής στοίχισης βιολογικών ακολουθιών (Needleman - Wunch), ο αλγόριθμος του Gotoh και παραλλαγές, άλλες εφαρμογές δυναμικού προγραμματισμού, Hidden Markov Models στη Βιοπληροφορική, οι αλγόριθμοι forward και backward, αποκωδικοποίηση (αλγόριθμοι Viterbi, Nbest, Posterior, Posterior - Viterbi, OAPD), εκτίμηση παραμέτρων με τους αλγόριθμους Baum - Welch και Gradient Descent, ειδικές τροποποιήσεις του Hidden Markov Model για βιολογικά δεδομένα (Class HMM, αλγόριθμοι για σημασμένες ακολουθίες, αλγόριθμοι ενσωμάτωσης πειραματικής πληροφορίας, profile Hidden Markov Models), εμπειρικές στατιστικές μέθοδοι, ευριστικές μέθοδοι (BLAST, FASTA, CLUSTAL κλπ), η κατανομή των ακραίων τιμών του Gumbel, μέθοδοι εύρεσης παραμέτρων της κατανομής και εφαρμογές της στη Βιοπληροφορική (τοπική στοίχιση, profile Hidden Markov Models), μέθοδοι ομαδοποίησης στη Βιοπληροφορική, γενετικοί αλγόριθμοι στη Βιοπληροφορική, νευρωνικά δίκτυα στη Βιοπληροφορική, εφαρμογές των μεθόδων αυτών σε βιολογικά προβλήματα. Η γλώσσα PERL: Βαθμωτές μεταβλητές, τελεστές, λίστες, πίνακες, ευρετήρια, δομές ελέγχου, διαχείριση εισόδου - εξόδου, ταύτιση προτύπων και κανονικές εκφράσεις, εφαρμογές της PERL στη Βιοπληροφορική (διαχείριση αρχείων βιολογικών δεδομένων μεγάλου όγκου, επεξεργασία αρχείων Uniprot, GenBank, PDB, PFAM κλπ, συγγραφή λογισμικού Βιοπληροφορικής, το πρόγραμμα BIOPERL). Ειδικά θέματα Βιοπληροφορικής: Συγκριτική γονιδιωματική, δομική γονιδιωματική, λειτουργική γονιδιωματική, ανάλυση δεδομένων γονιδιακής έκφρασης, βιολογία συστημάτων.
1. Εισαγωγή στους Αλγόριθμους Βιοπληροφορικής, NEIL C. JONES, PAVEL A. PEVZNER, ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ, 2010, ΑΘΗΝΑ
2. Βιοπληροφορική και Λειτουργική Γονιδιωματική, Jonathan Pevsner, ΑΚΑΔΗΜΑΪΚΕΣ ΕΚΔΟΣΕΙΣ, ISBN: 978-618-5135-17-1
3. Μπάγκος, Π., 2015. Βιοπληροφορική. [ηλεκτρ. βιβλ.] Αθήνα:Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. Διαθέσιμο στο: http://hdl.handle.net/11419/5016
4. Νικολάου, Χ., Χουβαρδάς, Π., 2015. Υπολογιστική βιολογία. [ηλεκτρ. βιβλ.] Αθήνα:Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. Διαθέσιμο στο: http://hdl.handle.net/11419/1577
Πρόσθετο Υλικό
- Shawn T. O’Neil. A Primer for Computational Biology https://open.oregonstate.education/computationalbiology/
- Jens Stoye et al. Algorithms for Phylogenetic Reconstructions http://profs.scienze.univr.it/~liptak/ALBioinfo/files/PhylogenetikSkript2009.pdf
- Jens Stoye et al. Sequence Analysis http://profs.scienze.univr.it/~liptak/ALBioinfo/files/sequence_analysis.pdf
- Sabu M. Thampi. Introduction to Bioinformatics https://arxiv.org/abs/0911.4230
- David A. Hendrix. Applied Bioinformatics https://open.oregonstate.education/appliedbioinformatics/
- Computational Biology - Genomes, Networks, and Evolution (Kellis et al.) https://bio.libretexts.org/Bookshelves/Computational_Biology/Book%3A_Computational_Biology_-_Genomes_Networks_and_Evolution_(Kellis_et_al.)
- Keith Bradnam & Ian Korf. Unix and Perl Primer for Biologists http://korflab.ucdavis.edu/Unix_and_Perl/current.pdf
- Martin Jones. Python for Biologists http://userpages.fu-berlin.de/digga/p4b.pdf
- Learning To Program With Perl https://www.bioinformatics.babraham.ac.uk/training/Perl%20Introduction.pdf
- Avril Coghlan . A Little Book of R For Bioinformatics https://buildmedia.readthedocs.org/media/pdf/a-little-book-of-r-for-bioinformatics/latest/a-little-book-of-r-for-bioinformatics.pdf
- Bradley M. Kuhn. Picking Up Perl. https://www.ebb.org/PickingUpPerl/
- Mark Kvale. perlretut - Perl regular expressions tutorial.
- Canonical Ubuntu. The Linux command line for beginners. https://ubuntu.com/tutorials/command-line-for-beginners
- William Shotts. The Linux command line. https://linuxcommand.org
- M.Stonebank. Unix Tutorial for Beginers. https://info-ee.surrey.ac.uk/Teaching/Unix/
Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι ικανοί:
- Να επιλύουν σύνθετα προβλήματα που βιοπληροφορικής όπως ανάλυση βιολογικών δικτύων, γονιδιωματική και ανάλυση δεδομένων έκφρασης
- Να γράψουν μόνοι τους ένα πρόγραμμα σε Perl το οποίο να επιλύει απλά προβλήματα διαχείρισης αλληλουχιών, αναζητήσεις προτύπων και πρόγνωσης
1) Η παρακολούθηση και η ολοκλήρωση των εργαστηριακών ασκήσεων είναι υποχρεωτική. Λόγω των ειδικών συνθηκών και της διεξαγωγής 3 ασκήσεων σε κάθε εργαστήριο (9 ασκήσεις συνολικά), η δυνατότητα απουσίας σε ένα από τα 3 εργαστήρια θα επιτραπεί και θα θεωρείται δικαιολογημένη μόνο για σοβαρούς κυρίως ιατρικούς λόγους και σε αυτές τις περιπτώσεις απαιτείται η προσκόμιση της αντίστοιχης βεβαίωσης. Σε τέτοιες περιπτώσεις προβλέπεται και επαναληπτική εργαστηριακή άσκηση (υπάρχει στο πρόγραμμα)
2) Η βαθμολογία των εργασιών αυτών θα προσμετράται στον τελικό βαθμό κατά 40% μόνο κατά το έτος άσκησης (για σας, το έτος 2024-25). Αν κάποιος δεν παραδώσει τις εργασίες μέσα στις προθεσμίες, δεν εχει δικαίωμα συμμετοχής στις εξετάσεις. Οι φοιτητές θα επιλύουν ασκήσεις στο χώρο του εργαστηρίου και στο σπίτι τις οποίες θα ανεβάζουν στο GitHub σε διάστημα 3 εβδομάδων (μέχρι την επόμενη εργαστηριακή άσκηση). Συνολικά θα υπάρξουν 4 ασκήσεις για το σπίτι , μια για κάθε εργαστηριακή άσκηση καθώς και μια τελική και το σύνολο της βαθμολογίας θα αποτελεί το 40% του τελικού βαθμού. Αναλυτικότερες οδηγίες θα δοθούν μέσα στο εργαστήριο.
3) Αν κάποιος φοιτητής δεν καταφέρει να πάρει προβιβάσιμο βαθμό στην γραπτή εξέταση στις 2 εξεταστικές (Ιανουάριο, Σεπτέμβριο), αλλά έχει ολοκληρώσει επιτυχώς τις εργαστηριακές ασκήσεις και έχει παραδώσει τις εργασίες (ανεξάρτητα απο την βαθμολογία που θα λάβει), τότε τις επόμενες χρονιές θα πρέπει να εξεταστεί μόνο στο μάθημα και ο τελικός βαθμός θα προκύψει από την βαθμολογία της γραπτής εξέτασης που θα λάβει.
4) Οι φοιτητές παλαιότερων ετών που έχουν ολοκληρώσει τις εργαστηριακές ασκήσεις χωρίς απουσίες δεν χρειάζεται να δηλώσουν συμμετοχή εκ νέου στις ασκήσεις (και ούτε να ασκηθούν εκ νέου). Ο βαθμός τους θα προκύψει όπως στο (3) ανωτέρω, από την γραπτή εξέταση.
5) Όσοι φοιτητές παλαιότερων ετών έχουν απορίες και δεν θυμούνται αν έχουν ολοκληρώσει όντως τις εργαστηριακές ασκήσεις, μπορούν να επικοινωνήσουν με τον κ. Μανιό (gmanios@uth.gr) για να κάνει τον έλεγχο.
Γενικά
Οι εργαστηριακές ασκήσεις θα γίνονται στο Εργαστήριο 1. Για τη διευκόλυνση των φοιτητών/φοιτητριών, ενθαρρύνεται η χρήση του προσωπικού τους υπολογιστή στο χώρο του εργαστηρίου καθώς πρόκειται να εγκατασταθούν λογισμικά τα οποία θα χρησιμοποιηθούν για τη διεκπεραίωση των ασκήσεων που θα τεθούν προς επίλυση, για το σπίτι.
Οι φοιτητές/φοιτήτριες χρειάζεται να έχουν στα μηχανήματα που θα προσκομίσουν στο χώρο του εργαστηρίου (όσοι επιλέξουν να χρησιμοποιήσουν δικό τους μηχάνημα), κάποιο Linux-like λειτουργικό σύστημα και να βεβαιωθούν πως η γλώσσα προγραμματισμού Perl υπάρχει και λειτουργεί στο μηχάνημα τους. Αν χρησιμοποείτε λειτουργικό σύστημα Windows μπορείτε να εγκαταστήσετε το Windows Subsystem for Linux, ή καποιο είδος bash shell (Git Bash, Cygwin, minGW κ.ο.κ.), Επίσης θα πρέπει να διαθέτουν κάποιον text editor, προτείνεται ο VsCode (https://code.visualstudio.com/). Τέλος θα χρειάζεται να έχουν εγκαταστήσει ήδη το Git (https://git-scm.com/).
| ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ: ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ ΙΙ | ||||
| Α/Α | Διδάσκων | Ημ/νία | Τίτλος Διάλεξης | Περιγραφή |
| 1 | Μπάγκος Π. | 19-Φεβ | Εισαγωγή -Προεπισκόπηση μαθήματος, η Γλώσσα PERL | Διάλεξη |
| 2 | Μπάγκος Π. | 26-Φεβ | Γλώσσα Προγραμματισμού Perl | Διάλεξη |
| 3 | Μπάγκος Π. | 5-Μαρ | Γλώσσα Προγραμματισμού Perl | Διάλεξη |
| 4 | Μπάγκος Π. | 12-Μαρ | Υπολογιστικές Γραμματικές | Διάλεξη |
| 5 | Μπάγκος Π. | 19-Μαρ | Υπολογιστική Γονιδιωματική | Διάλεξη |
| 6 | Μπάγκος Π. | 26-Μαρ | Αναζήτηση Απομακρυσμένων Ομόλογων | Διάλεξη |
| 7 | Μπάγκος Π. | 2-Απρ | Ανάλυση Γονιδιακής Έκφρασης | Διάλεξη |
| 8 | Μπάγκος Π. | 9-Απρ | Ανάλυση Γενετικών Δεδομένων (GWAS) | Διάλεξη |
| 9 | Μπάγκος Π. | 30-Απρ | Βιοπληροφορικές μέθοδοι για Post-GWAS | Διάλεξη |
| 10 | Μπάγκος Π. | 7-Μαϊ | Ανάλυση Βιολογικών Δικτύων | Διάλεξη |
| 11 | Μπάγκος Π. | 14-Μαϊ | Ανάλυση Εμπλουτισμού | Διάλεξη |
| 12 | Μπάγκος Π. | 21-Μαϊ | Δομική Βιοπληροφορική | Διάλεξη |
| 13 | Μπάγκος Π. | 28-Μαϊ | Python | Διάλεξη |
| Α/Α | Διδάσκων | Ημ/νία | Τίτλος Άσκησης | Περιγραφή |
| 1 | Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α | 17-Μαρ | Perl - Github | Εργαστηριακή Άσκηση 1-2-3 (Ομάδα Α) |
| 2 | Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α | 24-Μαρ | Perl - Github | Εργαστηριακή Άσκηση 1-2-3 (Ομάδα Β) |
| 3 | Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α | 31-Μαρ | Perl - Github | Εργαστηριακή Άσκηση 1-2-3 (Ομάδα Γ) |
| 4 | Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α | 7-Απρ | Εφαρμογές Perl σε βιολογικά προβλήματα | Εργαστηριακή Άσκηση 4-5-6 (Ομάδα Α) |
| 5 | Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α | 28-Απρ | Εφαρμογές Perl σε βιολογικά προβλήματα | Εργαστηριακή Άσκηση 4-5-6 (Ομάδα Β) |
| 6 | Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α | 5-Μαϊ | Εφαρμογές Perl σε βιολογικά προβλήματα | Εργαστηριακή Άσκηση 4-5-6 (Ομάδα Γ) |
| 7 | Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α | 12-Μαϊ | Microarrays-GWAS-Enrichment analysis | Εργαστηριακή Άσκηση 7-8-9 (Ομάδα Α) |
| 8 | Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α | 19-Μαϊ | Microarrays-GWAS-Enrichment analysis | Εργαστηριακή Άσκηση 7-8-9 (Ομάδα Β) |
| 9 | Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α | 26-Μαϊ | Microarrays-GWAS-Enrichment analysis | Εργαστηριακή Άσκηση 7-8-9 (Ομάδα Γ) |
| 10 | Μανιός Γ, Κάνδυλας Δ, Κυλώνης Α | 2-Ιουν | Επανάληψη-Αναπληρώσεις | Εργαστηριακή Άσκηση (όλες οι ομάδες) |
ΕΡΓΑΣΤΗΡΙΑΚΕΣ ΟΜΑΔΕΣ
ΟΝΟΜΑ ΕΠΩΝΥΜΟ ΟΜΑΔΑ
| XHOVALIN | QAZIMI | Α |
| ΜΑΡΙΑ | ΑΝΑΓΝΩΣΤΟΠΟΥΛΟΥ | Α |
| ΒΑΣΙΛΙΚΗ-ΕΥΑΓΓΕΛΙΑ | ΑΝΑΣΤΑΣΙΑΔΟΥ | Α |
| ΑΝΔΡΕΑΣ | ΑΝΤΩΝΙΟΥ | Α |
| ΜΑΡΙΑ ΑΠΟΣΤΟΛΙΑ | ΑΡΕΘΑ | Α |
| ΣΠΥΡΙΔΩΝ ΤΖΕΪΜΣ | ΑΥΛΩΝΙΤΗΣ | Α |
| ΔΕΣΠΟΙΝΑ | ΒΑΣΙΛΑΚΗ | Α |
| ΒΑΣΙΛΕΙΟΣ | ΒΑΣΙΛΕΙΑΔΗΣ | Α |
| ΕΛΕΝΗ | ΓΑΛΑΝΑΚΗ | Α |
| ΓΙΑΝΝΗΣ | ΓΕΩΡΓΑΛΛΗΣ | Α |
| ΝΕΦΕΛΗ | ΓΙΑΝΝΑΚΑΚΗ | Α |
| ΙΑΚΩΒΟΣ | ΓΙΑΝΝΟΥΛΗΣ | Α |
| ΧΑΡΙΚΛΕΙΑ | ΓΚΡΑΝΤΟΥΝΗ | Α |
| ΧΡΙΣΤΙΝΑ | ΔΕΡΒΙΣΑΚΗ | Α |
| ΕΒΙΤΑ | ΔΗΜΗΤΡΙΟΥ | Α |
| ΔΗΜΗΤΡΙΟΣ | ΔΗΜΟΥ | Α |
| ΙΑΣΩΝ | ΔΟΥΝΑΣ | Α |
| ΕΜΜΑΝΟΥΗΛ | ΕΥΘΥΜΙΑΔΗΣ | Α |
| ΠΑΡΑΣΚΕΥΗ | ΕΦΡΑΙΜΙΔΟΥ | Α |
| ΕΜΜΑΝΟΥΕΛΑ | ΖΑΜΠΕΤΑΚΗ | Α |
| ΖΑΧΑΡΙΑΣ | ΖΑΧΑΡΟΠΟΥΛΟΣ | Α |
| ΖΩΗ | ΗΛΙΑΔΟΥ | Α |
| ΑΓΓΕΛΙΚΗ | ΘΕΟΔΟΥΛΙΔΟΥ | Α |
| ΜΑΡΙΑ-ΙΩΑΝΝΑ | ΚΑΛΑΪΤΖΗ | Α |
| ΑΛΕΞΙΑ | ΚΑΛΠΑΚΗ | Α |
| ΕΛΙΑΝΑ | ΚΑΜΠΕΡΑΙ | Α |
| ΕΙΡΗΝΗ | ΚΑΝΔΥΛΑ | Α |
| ΚΩΝΣΤΑΝΤΙΝΟΣ | ΚΑΡΡΑΣ | Α |
| ΕΛΕΝΗ | ΚΑΤΣΑΒΟΥ | Α |
| ΑΘΗΝΑ | ΚΑΤΣΟΥΓΙΑΝΝΟΠΟΥΛΟΥ | Β |
| ΤΑΝΕΡ | ΚΙΟΥΡΤ | Β |
| ΑΝΤΩΝΙΟΣ | ΚΟΒΑΝΙΔΗΣ | Β |
| ΒΑΣΙΛΗΣ | ΚΟΚΚΙΝΗΣ | Β |
| ΧΡΗΣΤΟΣ | ΚΟΛΩΝΙΑΣ | Β |
| ΠΟΛΥΧΡΟΝΙΑ ΜΑΡΙΑ | ΚΟΝΤΟΥ | Β |
| ΜΑΡΙΝΑ | ΚΟΡΝΗΛΑΚΗ | Β |
| ΕΥΑΓΓΕΛΙΑ | ΚΟΣΜΑΔΑΚΗ | Β |
| ΔΙΟΝΥΣΙΟΣ | ΚΟΤΖΑΪΤΣΗΣ | Β |
| ΔΗΜΗΤΡΙΟΣ | ΚΟΥΝΤΟΥΡΟΓΙΑΝΝΗΣ | Β |
| ΑΝΤΩΝΙΑ | ΚΟΥΡΕΝΤΑ | Β |
| ΟΥΡΑΝΊΑ | ΚΟΥΦΆΚΗ | Β |
| ΧΑΡΙΚΛΕΙΑ | ΚΥΡΙΩΤΗ | Β |
| ΕΙΡΗΝΗ | ΚΩΝΣΤΑΝΤΑΡΑ | Β |
| ΠΑΝΑΓΙΩΤΑ | ΛΑΓΑΝΟΠΟΥΛΟΥ | Β |
| ΠΕΡΙΚΛΗΣ ΣΤΥΛΙΑΝΟΣ | ΛΙΘΟΞΟΟΣ | Β |
| ΣΤΑΥΡΟΥΛΑ | ΛΥΓΓΙΤΣΟΥ | Β |
| ΓΕΩΡΓΙΟΣ | ΜΑΝΟΥΣΑΡΙΔΗΣ | Β |
| ΜΑΡΙΑ ΙΩΑΝΝΑ | ΜΑΟΥΝΗ | Β |
| ΣΕΛΙΝ | ΜΕΜΕΤ ΟΓΛΟΥ | Β |
| ΚΩΝΣΤΑΝΤΙΝΑ ΗΛΙΑΝΑ | ΜΕΞΗ | Β |
| ΕΥΑΓΓΕΛΙΑ | ΜΙΧΕΛΑΚΗ | Β |
| ΠΕΤΡΟΣ | ΜΟΣΧΟΒΑΚΟΣ | Β |
| ΕΛΕΥΘΕΡΙΑ | ΜΟΥΛΑΚΑΚΗ | Β |
| ΚΩΝΣΤΑΝΤΙΝΑ | ΜΠΑΜΠΑΛΙΑΡΗ | Β |
| ΙΩΑΝΝΗΣ | ΜΥΛΩΝΑΚΗΣ | Β |
| ΑΙΚΑΤΕΡΙΝΗ | ΝΑΤΣΟΥΛΗ | Β |
| ΕΥΑΓΓΕΛΙΑ ΑΙΚΑΤΕΡΙΝΑ | ΝΙΚΑ | Β |
| ΜΑΡΙΑ | ΝΤΑΓΚΙΝΗ | Β |
| ΖΩΗΣ | ΞΟΝΟΓΛΟΥ | Γ |
| ΚΩΝΣΤΑΝΤΙΝΑ | ΠΑΝΑΓΙΩΤΟΥ | Γ |
| ΚΑΤΕΡΙΝΑ | ΠΑΝΤΖΙΑΛΑ | Γ |
| ΘΕΟΔΩΡΑ ΑΙΚΑΤΕΡΙΝΗ | ΠΑΠΑΖΟΓΛΟΥ | Γ |
| ΠΑΝΑΓΙΩΤΗΣ | ΠΑΠΑΚΩΝΣΤΑΝΤΙΝΟΥ | Γ |
| ΜΙΧΑΗΛ | ΠΕΤΡΙΣΗΣ | Γ |
| ΜΑΡΙΑ | ΡΩΣΣΗ | Γ |
| ΚΡΥΣΤΑΛΙΑ | ΣΑΛΔΑΡΗ | Γ |
| ΛΕΩΝΙΔΑΣ | ΣΑΛΗΚΥΡΙΑΚΗΣ | Γ |
| ΜΑΡΙΑΝΝΑ | ΣΑΜΙΤΑ | Γ |
| ΤΑΜΖΙΝΤ ΡΑΚΙ | ΣΑΡΙΦ | Γ |
| ΙΩΣΗΦ | ΣΑΡΡΗΣ | Γ |
| ΠΑΝΑΓΙΩΤΗΣ | ΣΙΑΚΑΣ | Γ |
| ΝΕΚΤΑΡΙΟΣ | ΣΙΔΕΡΗΣ | Γ |
| ΜΑΡΙΑ | ΣΟΥΛΙΩΤΗ | Γ |
| ΓΡΗΓΟΡΗΣ | ΣΠΥΡΑΤΟΣ | Γ |
| ΕΙΡΗΝΗ ΓΕΩΡΓΙΑ | ΣΤΑΜΑΤΟΠΟΥΛΟΥ | Γ |
| ΧΑΡΑ ΙΩΑΝΝΑ | ΣΤΕΦΑΝΟΥ | Γ |
| ΑΝΤΩΝΙΟΣ | ΤΑΣΙΟΥΔΗΣ | Γ |
| ΑΦΡΟΔΙΤΗ | ΤΖΑΜΑ | Γ |
| ΖΩΗ | ΤΣΑΓΚΑΡΑΚΗ | Γ |
| ΜΙΧΑΗΛ-ΠΑΝΑΓΙΩΤΗΣ | ΤΣΑΝΤΗΡΑΚΗΣ | Γ |
| ΑΝΑΣΤΑΣΙΟΣ | ΤΣΑΠΑΔΙΚΟΣ | Γ |
| ΙΩΑΝΝΗΣ | ΤΣΑΡΔΙΝΗΣ | Γ |
| ΧΡΥΣΑΝΘΗ | ΤΣΕ | Γ |
| ΑΝΓΓΕΛΙΚΑ | ΦΕΛΑΧ | Γ |
| ΚΩΝΣΤΑΝΤΙΝΟΣ | ΦΡΑΓΚΙΑΔΑΚΗΣ | Γ |
| ΑΙΚΑΤΕΡΙΝΗ | ΧΑΡΑΛΑΜΠΙΔΟΥ | Γ |
| ΓΕΩΡΓΙΟΣ | ΧΑΤΖΗΣ | Γ |
| ΞΕΝΟΦΩΝ | ΧΡΥΣΟΜΑΛΛΗΣ | Γ |
Αλγόριθμοι στη Βιοπληροφορική, Γλώσσα προγραμματισμού Perl, Ειδικά θέματα Βιοπληροφορικής
H γλώσσα προγραμματισμού Perl είναι μια ιδιαίτερα εύχρηστη γλώσσα με πολλές εφαρμογές στη βιοπληροφορική. Η Perl είναι γλώσσα scripting και κατασκευάστηκε αρχικά για να διευκολύνει τους διαχειριστές συστημάτων UNIX στην καθημερινή τους δουλειά, δηλαδή στην επεξεργασία μεγάλων αρχείων, σε μαζικές αποστολές μηνυμάτων κ.ο.κ., γι’ αυτό και βρήκε πολλές εφαρμογές στη βιοπληροφορική, όπου ο χειρισμός μεγάλων αρχείων και η αναζήτηση προτύπων, είναι μέρος της καθημερινής σχεδόν ενασχόλησης. Στο κεφάλαιο αυτό θα παρουσιάσουμε τα βασικά στοιχεία της γλώσσας (Συναρτήσεις, Λίστες, Πίνακες, Ευρετήρια, Δομές ελέγχου) και θα δείξουμε τη χρησιμότητά της σε πλήθος πρακτικών προβλημάτων που προκύπτουν στην ανάλυση βιολογικών (κυρίως μοριακών) δεδομένων.
Στο κεφάλαιο αυτό θα μελετήσουμε μια γενικότερη κατηγορία μεθόδων, τις υπολογιστικές γραμματικές, οι οποίες περιλαμβάνουν σαν ειδικές περιπτώσεις μοντέλα που είδαμε σε προηγούμενα κεφάλαια (πρότυπα, ΗΜΜ), αλλά και πιο σύνθετες δομές οι οποίες μπορούν να μοντελοποιήσουν καλύτερα μια σειρά από βιολογικά προβλήματα. Θα δούμε τις ιστορικές καταβολές αυτών των μεθόδων και θα μελετήσουμε τις κατηγορίες εκείνες που μπορούν να χρησιμοποιηθούν στην πρόγνωση της δευτεροταγούς δομής του RNA καλύπτοντας και το ζευγάρωμα των βάσεων. Θα μιλήσουμε για τις γνωστές εφαρμογές και το λογισμικό που βασίζεται σε τέτοιες μεθοδολογίες, και στο τέλος θα δούμε και κάποιες εφαρμογές στην πρόγνωση δευτεροταγούς δομής πρωτεϊνών, εφαρμογές που κάνουν ένα πρώτο βήμα στην πρόγνωση των μακρινών αλληλεπιδράσεων.
Στο κεφάλαιο αυτό εξετάζονται οι υπολογιστικές τεχνικές που χρησιμοποιούνται στη μελέτη ολόκληρων γονιδιωμάτων. Εκτός από το ξεκάθαρο ενδιαφέρον που έχουν αυτές οι τεχνικές στη φυλογενετική ανάλυση και στην εξέλιξη, υπάρχει και άλλος πιο πρακτικός λόγος για τη χρησιμότητά τους. Παρόλο που τεχνικές που αναπτύχθηκαν σε προηγούμενα κεφάλαια όπως η στοίχιση και οι προγνώσεις είναι εύκολο να χρησιμοποιηθούν σε ολόκληρα γονιδιώματα, η ταυτόχρονη αξιολόγηση της θέσης του κάθε γονιδίου στα γονδιώματα συγγενικών οργανισμών (συγκριτική γονιδιωματική) μπορεί να δώσει πολλές επιπλέον πληροφορίες για μια σειρά από λειτουργικές ιδιότητες οι οποίες δεν θα μπορούσαν να είχαν προβλεφθεί με άλλον τρόπο.
Στην ενότητα αυτή παρουσιάζονται οι βασικές κατηγορίες μεθόδων αναζήτησης μακρινών ομολόγων και στοίχισης προφίλ-προφίλ. Οι μεθοδολογίες αυτές χρησιμοποιούνται για τον εντοπισμό ομολόγων με μικρή ομοιότητα (<30%) και είναι απαραίτητες για τον χαρακτηρισμό νέων αλληλουχιών αλλά και στις μεθόδους πρόγνωσης δομής. Η ενότητα περιλαμβάνει τις κλασικές μεθόδους (PSI-BLAST, HMMER κλπ), τις μεθόδους στοίχισης προφίλ (FFAS, PROF_SIM κλ), τις πιο εξεζητημένες μεθόδους στοίχισης ΗΜΜ-ΗΜΜ (HHsearch κ.α.) αλλά και κάποιες προσεγγιστικές ευριστικές μεθοδολογίες.
Οι Μικροσυστοιχίες DNA είναι μια τεχνολογία που επιτρέπει την ταυτόχρονη ανάλυση του τρόπου έκφρασης χιλιάδων γονιδίων σε διαφορετικά δείγματα ή σε διαφορετικά στάδια ανάπτυξης, τη σύγκριση έκφρασης σε φυσιολογικές και παθολογικές καταστάσεις, την ανταπόκριση σε φαρμακευτικές ουσίες ή θεραπείες κα.
Μελέτες Γενετικής Συσχέτισης: Case-control, family-based, GWAS. Μετα-ανάλυση μελετών γενετικής συσχέτισης: η έννοια της μέτα-ανάλυσης, μεθοδολογία μετα-ανάλυσης για διάφορους σχεδιασμούς μελετών γενετικής επιδημιολογίας.
Μελέτη και ανάλυση διάφορων τύπων Βιολογικών Δικτύων όπως: Δίκτυα Πρωτεϊνικών Αλληλεπιδράσεων, Μεταγραφικά Ρυθμιστικά Δίκτυα, Δίκτυα Μεταγωγής Σήματος, Μεταβολικά - Βιοχημικά Δίκτυα, Δίκτυα Ασθενειών κα.
Δομική Βιοπληροφορική, είναι ο κλάδος της βιοπληροφορικής ο οποίος ασχολείται με την ανάλυση και την πρόγνωση της τρισδιάστατης δομής των βιολογικών μακρομορίων, όπως οι πρωτεΐνες, το DNA, και το RNA. Ασχολείται με όλα τα επίπεδα της ανάλυσης των τρισδιάστατων δομών, από την αναπαράσταση και την οπτικοποίηση, τις συγκρίσεις και τις ομαδοποιήσεις των δομών, τις μελέτες του πρωτεϊνικού διπλώματος, την κατασκευή μοντέλων, τη μελέτη των εξελικτικών σχέσεων έως και τη μελέτη της σχέσης δομής και λειτουργίας. Σαν κλάδος έχει ιδιαίτερες σχέσεις με τη μοριακή βιοφυσική και τη δομική βιολογία. Στο κεφάλαιο αυτό θα ασχοληθούμε με τις βασικές μεθοδολογίες της δομικής βιοπληροφορικής και θα δούμε τα πιο γνωστά πακέτα λογισμικού που χρησιμοποιούνται στον τομέα αυτό.
Η ενότητα περιλαμβάνει τις μεθόδους και τα εργαλεία για την λειτουργική ανάλυση και τον εμπλουτισμό των δεδομένων που παράγονται σε μελετες γονιδιακής έκφρασης και γενετικής συσχέτισης. Οι τεχνικές αυτές ονομάζονται συνήθως μέθοδοι εμπλουτισμού, ανάλυση μονοπατιών, ανάλυση ομάδων γονιδίων κ.ο.κ. Η ανάλυση μονοπατιών είναι μια αποτελεσματική τεχνική που ξεπερνά τους περιορισμούς των τρεχουσών μεθόδων που αναλύουν ένα γονίδιο κάθε φορά. Αυτή η διαδικασία παρέχει μια ολοκληρωμένη κατανόηση των μοριακών μηχανισμών που προκαλούν πολύπλοκες ασθένειες. Οι αναλύσεις ομάδων γονιδίων (ή μονοπατιών), οι οποίες ελέγχουν τη συσχέτιση μεταξύ επιμελημένων συλλογών γονιδίων και ενός φαινοτύπου, αποτελούν βασική προσέγγιση για την εξερεύνηση των προαναφερθέντων πολυγονιδιακών επιδράσεων. Επειδή αυτές οι μέθοδοι ελέγχουν το σωρευτικό αποτέλεσμα πολλαπλών γονίδιων είναι δυνατό να ανιχνευθούν αποτελέσματα στο επίπεδο γονιδιακών συνόλων, τα οποία μπορεί να είναι το αποτέλεσμα ετερογενών επιδράσεων στο επίπεδο γονιδίου ή πολυμορφισμού. Επιπλέον, οι αναλύσεις ομάδων γονιδίων βελτιώνουν τη δύναμη ανίχνευσης στατιστικά σημαντικών συσχετίσεων τόσο επειδή η συσσώρευση μεμονωμένων SNPs σε γονιδιακά σύνολα έχει ως αποτέλεσμα λιγότερες στατιστικές δοκιμές που εκτελούνται αλλά και επειδή μεμονωμένα ασθενή αποτελέσματα, μη ανιχνεύσιμα σε μια τυπική GWAS, μπορούν να συνδυαστούν δίνοντας ένα ισχυρό σήμα σύνδεσης
