ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ Ι
ΜΠΑΓΚΟΣ ΠΑΝΤΕΛΕΗΜΩΝ
Σκοπός του μαθήματος είναι να παρουσιάσει τις βασικές έννοιες της Βιοπληροφορικής και της Υπολογιστική Βιολογίας. Η ύλη περιλαμβάνει τις κλασικές ενότητες τέτοιων μαθημάτων και αναφέρεται κυρίως στις βάσεις βιολογικών δεδομένων και τα εργαλεία αναζήτησης και ομοιότητας, αλλά και τις μεθόδους πρόγνωσης. Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι ικανοί:
- Να αναγνωρίζουν και να διακρίνουν τα βασικά βιολογικά φαινόμενα, στα οποία εμπλέκεται η βιοπληροφορική αλλά και της σημασία της ανάμεσα στις σύγχρονες βιολογικές επιστήμες
- Να επιλύουν προβλήματα που έχουν να κάνουν με αναζητήσεις σε βάσεις βιολογικών δεδομένων διαφόρων τύπων
- Να χρησιμοποιούν τα βασικά εργαλεία στοίχισης, πολλαπλής στοίχισης και πρόγνωσης δομής και λειτουργίας πρωτεϊνών
Λιγότερα
Σκοπός του μαθήματος είναι να παρουσιάσει τις βασικές έννοιες της Βιοπληροφορικής και της Υπολογιστική Βιολογίας. Η ύλη περιλαμβάνει τις κλασικές ενότητες τέτοιων μαθημάτων και αναφέρεται κυρίως στις βάσεις βιολογικών δεδομένων και τα εργαλεία αναζήτησης και ομοιότητας, αλλά και τις μεθόδους πρόγνωσης. Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι ικανοί:
- Να αναγνωρίζουν και να διακρίνουν τα βασικά βιολογικά φαινόμενα, στα οποία εμπλέκεται η βιοπληροφορική αλλά και της σημασία της ανάμεσα στις σύγχρονες βιολογικές επιστήμες
- Να επιλύουν προβλήματα που έχουν να κάνουν με αναζητήσεις σε βάσεις βιολογικών δεδομένων διαφόρων τύπων
- Να χρησιμοποιούν τα βασικά εργαλεία στοίχισης, πολλαπλής στοίχισης και πρόγνωσης δομής και λειτουργίας πρωτεϊνών
Σκοπός του μαθήματος είναι να παρουσιάσει τις βασικές έννοιες της Βιοπληροφορικής και της Υπολογιστική Βιολογίας. Η ύλη περιλαμβάνει τις κλασικές ενότητες τέτοιων μαθημάτων και αναφέρεται κυρίως στις βάσεις βιολογικών δεδομένων και τα εργαλεία αναζήτησης και ομοιότητας, αλλά και τις μεθόδους πρόγνωσης. Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι ικανοί:
- Να αναγνωρίζουν και να διακρίνουν τα βασικά βιολογικά φαινόμενα, στα οποία εμπλέκεται η βιοπληροφορική αλλά και της σημασία της ανάμεσα στις σύγχρονες βιολογικές επιστήμες
- Να επιλύουν προβλήματα που έχουν να κάνουν με αναζητήσεις σε βάσεις βιολογικών δεδομένων διαφόρων τύπων
- Να χρησιμοποιούν τα βασικά εργαλεία στοίχισης, πολλαπλής στοίχισης και πρόγνωσης δομής και λειτουργίας πρωτεϊνών
Περίγραμμα
Περιεχόμενο μαθήματος
Εισαγωγή: ορισμός και Ιστορία της Βιοπληροφορικής. Υποδιαιρέσεις. Είδη των δεδομένων στη Βιοπληροφορική. Βάσεις δεδομένων: βάσεις δεδομένων βιβλιογραφίας, αλληλουχιών πρωτεϊνών και DNA, δομών, διπλωμάτων και οικογενειών, εξειδικευμένες βάσεις δεδομένων, εργαλεία ανάλυσης της πληροφορίας που είναι αποθηκευμένη στις βάσεις δεδομένων – Entrez, SRS. Στοίχιση ακολουθιών: Μέθοδοι εύρεσης ομοιοτήτων σε αλληλουχίες, ομολογία και ομοιότητα αλληλουχιών και η σημασία τους, αλγόριθμοι δυναμικού προγραμματισμού, ολική στοίχιση – Global Alignment – αλγόριθμος των Needleman και Wunch, τοπική στοίχιση – Local Alignment – αλγόριθμος των Smith και Waterman, υπολογισμός της στατιστικής σημαντικότητας της στοίχισης, πίνακες ομοιότητας και η σημασία τους, ποινές για τα κενά, ευριστικές μέθοδοι για αναζήτηση ομοιοτήτων σε βάσεις δεδομένων BLAST, FASTA. Πολλαπλή στοίχιση αλληλουχιών: Πολυδιάστατοι αλγόριθμοι δυναμικού προγραμματισμού, ευριστικές μέθοδοι πολλαπλής στοίχισης ακολουθιών – CLUSTAL, DIALIGN, T-Coffee, κλπ – φυλογενετικά δένδρα και πολλαπλές στοιχίσεις. Αλγόριθμοι πρόγνωσης στηριζόμενοι στην ακολουθία πρωτεϊνών και DNA: Πρόγνωση δευτεροταγούς δομής πρωτεϊνών και RNA, πρόγνωση διαμεμβρανικών τμημάτων πρωτεϊνών και προσανατολισμού τους, εύρεση πιθανών γονιδίων σε ακολουθίες DNA, Hidden Markov Models και Νευρωνικά Δίκτυα στη Βιοπληροφορική. Oι 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)
Βιβλιογραφία
Βιοπληροφορική και Λειτουργική Γονιδιωματική, Jonathan Pevsner, ΑΚΑΔΗΜΑΪΚΕΣ ΕΚΔΟΣΕΙΣ, ISBN: 978-618-5135-17-1
Βιοπληροφορική, OVELLETE F. - BAXEVANIS A., ΠΑΡΙΣΙΑΝΟΥ ΑΝΩΝΥΜΗ ΕΚΔΟΤΙΚΗ ΕΙΣΑΓΩΓΙΚΗ ΕΜΠΟΡΙΚΗ ΕΤΑΙΡΙΑ ΕΠΙΣΤΗΜΟΝΙΚΩΝ ΒΙΒΛΙΩΝ, 2012, ΑΘΗΝΑ
Μπάγκος, Π., 2015. Βιοπληροφορική. [ηλεκτρ. βιβλ.] Αθήνα:Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. Διαθέσιμο στο: http://hdl.handle.net/11419/5016
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
Μαθησιακοί στόχοι
Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι ικανοί:
- Να αναγνωρίζουν και να διακρίνουν τα βασικά βιολογικά φαινόμενα, στα οποία εμπλέκεται η βιοπληροφορική
- Να επιλύουν προβλήματα που έχουν να κάνουν με αναζητήσεις σε βάσεις βιολογικών δεδομένων
- Να χρησιμοποιούν τα βασικά εργαλεία στοίχισης, πολλαπλής στοίχισης και πρόγνωσης
Ημερολόγιο Διαλέξεων
Α/Α
Διδάσκων
Ημ/νία
Τίτλος Διάλεξης
Περιγραφή
1
Μπάγκος Π.
2-Οκτ
Εισαγωγή -Ιστορία της Βιοπληροφορικής
Διάλεξη
2
Μπάγκος Π.
9-Οκτ
Βάσεις Βιολογικών Δεδομένων
Διάλεξη
3
Μπάγκος Π.
16-Οκτ
Στοίχιση Αλληλουχιών
Διάλεξη
4
Μπάγκος Π.
23-Οκτ
Αναζητήσεις ομοιότητας σε βάσεις δεδομένων (BLAST)
Διάλεξη
5
Μπάγκος Π.
30-Οκτ
Πολλαπλή στοίχιση αλληλουχιών
Διάλεξη
6
Μπάγκος Π.
6-Νοε
Αναζήτηση προτύπων
Διάλεξη
7
Μπάγκος Π.
13-Νοε
Φυλογενετική ανάλυση
Διάλεξη
8
Μπάγκος Π.
20-Νοε
ΗΜΜ 1
Διάλεξη
9
Μπάγκος Π.
27-Νοε
ΗΜΜ 2
Διάλεξη
10
Μπάγκος Π.
4-Δεκ
Μέθοδοι πρόγνωσης Ι
Διάλεξη
11
Μπάγκος Π.
11-Δεκ
Μέθοδοι πρόγνωσης ΙΙ
Διάλεξη
12
Μπάγκος Π.
18-Δεκ
Μέθοδοι πρόγνωσης ΙΙI
Διάλεξη
13
Μπάγκος Π.
8-Ιαν
Επανάληψη
Διάλεξη
Ημερολόγιο Εργαστηριακών Ασκήσεων
Α/Α
Διδάσκων
Ημ/νία
Τίτλος Άσκησης
Περιγραφή
1
Κάνδυλας Δ, Κυλώνης Α
10-Οκτ
Βάσεις Βιολογικών Δεδομένων
Εργαστηριακή Άσκηση (Ομάδες Α+Β)
2
Κάνδυλας Δ, Κυλώνης Α
17-Οκτ
Βάσεις Βιολογικών Δεδομένων
Εργαστηριακή Άσκηση (Ομάδες Γ+Δ)
3
Κάνδυλας Δ, Κυλώνης Α
24-Οκτ
Στοίχιση και Αναζητήσεις σε Βάσεις Δεδομένων
Εργαστηριακή Άσκηση (Ομάδες Α+Β)
4
Κάνδυλας Δ, Κυλώνης Α
31-Οκτ
Στοίχιση και Αναζητήσεις σε Βάσεις Δεδομένων
Εργαστηριακή Άσκηση (Ομάδες Γ+Δ)
5
Κάνδυλας Δ, Κυλώνης Α
7-Νοε
Πολλαπλή Στοίχιση, Profiles και Φυλογενετική
Εργαστηριακή Άσκηση (Ομάδες Α+Β)
6
Κάνδυλας Δ, Κυλώνης Α
14-Νοε
Πολλαπλή Στοίχιση, Profiles και Φυλογενετική
Εργαστηριακή Άσκηση (Ομάδες Γ+Δ)
7
Κάνδυλας Δ, Κυλώνης Α
21-Νοε
Μέθοδοι Πρόγνωσης
Εργαστηριακή Άσκηση (Ομάδες Α+Β)
8
Κάνδυλας Δ, Κυλώνης Α
28-Νοε
Μέθοδοι Πρόγνωσης
Εργαστηριακή Άσκηση (Ομάδες Γ+Δ)
9
Κάνδυλας Δ, Κυλώνης Α
5-Δεκ
Επανάληψη-Αναπληρώσεις
Εργαστηριακή Άσκηση (όλες οι ομάδες)
Εργαστηριακές Ομάδες
ΟΝΟΜΑ
ΕΠΩΝΥΜΟ
ΤΜΗΜΑ
ΠΡΩΤΕΪΝΗ
ΑΘΑΝΑΣΙΟΣ
ΑΓΓΕΛΗΣ
Α
A8IE32
ΣΤΑΥΡΟΣ
ΑΓΓΟΥΡΙΔΑΚΗΣ
Α
E6MVD9
ΒΑΣΙΛΕΙΟΣ-ΒΥΖΑΝΤΙΟΣ
ΑΔΑΜΟΣ
Α
P0A1N8
ΖΙΟΥΛΗ
ΑΙΚΑΤΕΡΙΝΗ
Α
P75733
ΓΕΩΡΓΙΟΣ
ΑΚΡΙΒΟΥ
Α
P0DSN2
ΠΑΝΑΓΙΩΤΗΣ ΑΠΟΣΤΟΛΟΣ
ΑΝΔΡΕΟΠΟΥΛΟΣ
Α
A0A923E755
ΚΩΝΣΤΑΝΤΙΝΑ
ΑΝΔΡΙΑΝΟΠΟΥΛΟΥ
Α
Q9RGZ0
ΕΛΕΝΗ
ΑΝΔΡΙΩΤΗ
Α
A0A0H3LM39
ΣΟΦΙΑ
ΒΑΡΔΟΥΛΗ
Α
A0A2S6NEK5
ΣΤΕΛΙΟΣ
ΒΑΡΘΑΛΙΤΗΣ
Α
A0A0L8FVQ9
ΕΛΕΝΗ
ΒΛΑΧΑΚΗ
Α
P0ABJ1
ΘΕΟΔΩΡΑ ΑΛΙΚΗ
ΒΛΑΧΟΥ
Α
A0A263CW99
ΛΟΥΚΙΑ
ΒΟΥΔΟΥΡΗ
Α
P9WK55
ΓΕΩΡΓΙΟΣ
ΒΡΕΝΤΖΟΣ
Α
Q50EA3
ΘΟΔΩΡΗΣ
ΓΕΡΑΜΑΝΗΣ
Α
O50499
ΗΛΙΑΣ
ΓΕΩΡΓΙΑΔΗΣ
Α
D4GPW5
ΠΑΝΑΓΙΩΤΗΣ
ΓΚΑΤΖΙΝΗΣ
Α
D4GUI7
ΕΥΘΥΜΙΟΣ
ΓΚΙΚΑΣ
Α
A8IE32
ΙΩΑΝΝΗΣ
ΓΚΙΛΛΗΣ
Α
E6MVD9
ΕΛΕΥΘΕΡΙΟΣ
ΓΚΟΥΛΙΑΒΙΔΗΣ
Α
P0A1N8
ΜΑΡΙΝΑ
ΓΚΟΥΛΙΟΥΔΗ
Α
P75733
ΒΑΣΙΛΕΙΟΣ ΓΕΩΡΓΙΟΣ
ΓΩΓΟΥΛΑΣ
Α
P0DSN2
ΓΙΩΡΓΟΣ
ΔΑΜΙΡΗΣ
Α
A0A923E755
ΓΙΩΡΓΟΣ
ΔΑΡΔΑΝΗΣ
Α
Q9RGZ0
ΑΛΕΞΑΝΔΡΟΣ
ΔΕΔΕΣ
Α
A0A0H3LM39
ΗΡΑΚΛΗΣ
ΕΥΘΥΜΙΑΔΗΣ
Α
A0A2S6NEK5
ΧΡΙΣΤΟΦΟΡΟΣ
ΕΥΚΟΛΙΔΗΣ
Β
A0A0L8FVQ9
ΣΤΑΥΡΟΥΛΑ
ΖΙΑΡΡΑ
Β
A0A263CW99
ΕΥΑΓΓΕΛΟΣ
ΖΟΥΜΑΣ
Β
P9WK55
ΚΩΝΣΤΑΝΤΙΝΟΣ
ΘΕΟΧΑΡΗΣ
Β
O50499
ΝΤΑΡΙ
ΙΝΦΑΝΤΕ ΧΑΚΕΖ
Β
D4GPW5
ΕΙΡΗΝΗ
ΚΑΝΔΥΛΑ
Β
D4GUI7
ΙΩΑΝΝΗΣ
ΚΑΡΑΝΑΤΣΙΟΣ
Β
A8IE32
ΚΥΡΙΑΚΗ
ΚΑΡΤΣΙΟΥ
Β
E6MVD9
ΠΑΝΑΓΙΩΤΗΣ
ΚΑΤΣΑΡΕΛΗΣ
Β
P0A1N8
ΝΙΚΟΣ
ΚΑΤΣΙΚΑΒΑΛΗΣ
Β
P75733
ΙΩΑΝΝΑ
ΚΙΣΙΡΗ
Β
A0A923E755
ΜΑΡΙΑ
ΚΙΤΣΑ
Β
Q9RGZ0
ΒΑΣΙΛΗΣ
ΚΟΝΙΟΣ
Β
A0A0H3LM39
ΜΑΡΙΑ
ΚΟΤΣΑΛΑ
Β
A0A2S6NEK5
ΣΩΤΗΡΙΟΣ
ΚΟΥΤΡΑΣ
Β
A0A0L8FVQ9
ΧΑΡΙΚΛΕΙΑ
ΚΥΡΙΩΤΗ
Β
P0ABJ1
ΖΗΣΗΣ
ΚΩΝΣΤΑΝΤΙΝΙΔΗΣ
Β
A0A263CW99
ΜΙΧΑΗΛ
ΛΑΖΑΡΙΔΗΣ
Β
P9WK55
ΓΕΩΡΓΙΟΣ - ΠΑΝΑΓΙΩΤΗΣ
ΛΙΤΟΣΕΛΙΤΗΣ
Β
Q50EA3
ΜΑΡΙΑ
ΜΑΚΡΗ
Β
O50499
ΑΦΡΟΔΙΤΗ
ΜΑΛΛΙΤΟΥ
Β
D4GPW5
ΡΑΝΙΑ
ΜΕΧΝΤΙ
Β
D4GUI7
ΜΑΡΙΝΑ
ΜΗΤΣΗ
Β
A8IE32
ΗΛΙΑΣ
ΜΙΧΑΛΑΣ
Β
E6MVD9
ΛΕΩΝΙΔΑΣ
ΚΡΥΟΝΑΣ
Β
P0A1N8
ΚΩΝΣΤΑΝΤΙΝΟΣ
ΜΠΑΚΟΓΙΑΝΝΗΣ
Γ
P75733
ΧΡΙΣΤΙΝΑ - ΚΑΘΟΛΙΚΗ
ΜΠΑΝΤΙΟΥ
Γ
P0DSN2
ΔΗΜΗΤΡΗΣ
ΜΠΕΣΙΝΑΣ
Γ
A0A923E755
ΝΑΝΣΙ
ΜΠΥΛΥΚΟΥ
Γ
Q9RGZ0
ΜΑΡΙΝΑ-ΕΥΤΥΧΙΑ
ΜΥΡΤΑΚΗ
Γ
A0A0H3LM39
ΠΑΡΘΕΝΑ
ΜΩΫΣΙΑΔΟΥ
Γ
A0A2S6NEK5
ΔΗΜΟΣΘΕΝΗΣ
ΝΑΣΙΟΥΛΑΣ
Γ
A0A0L8FVQ9
ΜΑΡΙΑ
ΝΕΔΟΥ
Γ
P0ABJ1
ΕΥΑΓΓΕΛΙΑ ΑΙΚΑΤΕΡΙΝΑ
ΝΙΚΑ
Γ
A0A263CW99
ΠΑΝΤΕΛΕΗΜΩΝ
ΝΙΚΟΛΑΟΥ
Γ
P9WK55
ΗΛΙΑΣ
ΝΤΑΡΤΖΟΥΛΙΔΗΣ
Γ
Q50EA3
ΑΝΑΣΤΑΣΙΟΣ
ΝΤΑΣΗΣ
Γ
O50499
ΠΟΣΟΥΛΑ
ΝΤΟΥΜΠΑΚΗ
Γ
D4GPW5
ΔΗΜΗΤΡΗΣ
ΞΑΝΘΟΠΟΥΛΟΣ
Γ
D4GUI7
ΧΑΤΖΗΑΥΓΟΥΣΤΙΔΗΣ
ΠΑΝΑΓΙΩΤΗΣ
Γ
A8IE32
ΣΤΕΛΙΟΣ
ΠΑΝΟΣ
Γ
E6MVD9
ΓΕΩΡΓΙΟΣ
ΠΑΠΑΘΑΝΑΣΙΟΥ
Γ
P0A1N8
ΓΙΩΡΓΟΣ
ΠΑΠΑΜΙΚΡΟΥΛΗΣ
Γ
P75733
ΣΤΥΛΙΑΝΗ ΕΛΕΝΗ
ΠΑΡΑΣΚΕΥΑ
Γ
P0DSN2
ΘΕΟΔΩΡΟΣ
ΠΑΡΟΥΣΟΓΛΟΥ
Γ
A0A923E755
ΗΛΙΑΣ
ΠΑΥΛΙΔΗΣ
Γ
Q9RGZ0
ΕΥΑΓΓΕΛΟΣ
ΠΙΝΑΤΣΗΣ
Γ
A0A0H3LM39
ΜΑΡΙΑ
ΠΟΛΥΧΡΟΝΟΥΔΗ
Γ
A0A2S6NEK5
ΔΗΜΗΤΡΗΣ
ΠΡΙΤΣΑΣ
Γ
A0A0L8FVQ9
ΓΕΩΡΓΙΟΣ
ΠΡΙΦΤΗΣ
Γ
P0ABJ1
ΑΙΚΑΤΕΡΙΝΗ ΙΩΑΝΝΑ
ΡΕΓΓΙΝΑ
Γ
A0A263CW99
ΣΤΥΛΙΑΝΗ
ΚΙΤΣΙΟΥ
Γ
P9WK55
ΒΑΣΙΛΕΙΑ
ΡΟΓΚΑ
Δ
Q50EA3
ΑΡΤΕΜΙΣ
ΣΑΒΒΙΔΟΥ
Δ
D4GPW5
ΠΑΝΑΓΙΩΤΗΣ
ΣΑΚΑΤΖΗΣ
Δ
D4GUI7
ΆΝΝΑ ΧΡΙΣΤΙΝΑ
ΣΑΡΡΗ
Δ
A8IE32
ΜΑΡΙΑ ΕΛΕΝΗ
ΣΕΡΒΕΤΑ
Δ
E6MVD9
ΦΑΤΜΑ
ΣΕΧ
Δ
P0A1N8
ΦΩΤΕΙΝΗ
ΣΙΑΠΕΡΑ
Δ
P75733
ΜΑΡΙΑ
ΣΟΛΩΜΟΥ
Δ
P0DSN2
ΠΑΝΑΓΙΩΤΑ
ΣΤΕΡΓΙΟΠΟΥΛΟΥ
Δ
Q9RGZ0
ΓΕΩΡΓΊΑ
ΤΑΝΤΑΝΌΖΗ
Δ
A0A0H3LM39
ΘΩΜΑΣ
ΤΖΙΜΑΣ
Δ
A0A2S6NEK5
ΑΛΕΞΑΝΔΡΟΣ
ΤΡΥΨΑΝΗΣ
Δ
A0A0L8FVQ9
ΚΑΡΙΝΑ
ΤΣΑΝΑ
Δ
P0ABJ1
ΜΑΡΙΑ
ΤΣΙΛΙΓΚΑΡΙΔΟΥ
Δ
P9WK55
ΔΕΣΠΟΙΝΑ
ΤΣΙΟΥΜΑΡΗ
Δ
Q50EA3
ΒΑΣΙΛΗΣ
ΦΙΝΙΔΗΣ
Δ
O50499
ΣΤΥΛΙΑΝΗ
ΦΡΑΓΚΟΥ
Δ
D4GPW5
ΠΕΤΡΟΣ
ΧΑΛΑΡΗΣ
Δ
D4GUI7
ΜΑΡΙΑ
ΧΕΛΙΔΟΝΗ
Δ
A8IE32
ΔΗΜΗΤΡΗΣ- ΑΝΔΡΕΑΣ
ΧΟΥΠΕΡ
Δ
E6MVD9
ΔΗΜΗΤΡΙΟΣ
ΧΡΥΣΑΦΗΣ
Δ
P0A1N8
ΒΑΣΙΛ
ΧΥΣΟΛΛΙ
Δ
P75733
ΣΤΑΥΡΟΣ
ΒΑΣΙΛΑΚΗΣ
Δ
A0A923E755
ΧΡΗΣΤΟΣ
ΓΙΑΛΟΥΡΗΣ
Δ
Q9RGZ0
Κανονισμός εργαστηριακών ασκήσεων
1) Η παρακολούθηση και η ολοκλήρωση των εργαστηριακών ασκήσεων είναι υποχρεωτική. Λόγω των ειδικών συνθηκών και της διεξαγωγής 2 ασκήσεων σε κάθε εργαστήριο, η δυνατότητα απουσίας σε ένα από τα τέσσερα 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 30% μόνο κατά το έτος άσκησης (για σας, το έτος 2025-26). Αν κάποιος δεν παραδώσει εργασία μέσα στις προθεσμίες, τότε ο βαθμός του κατά το έτος της άσκησης θα βγαίνει με άριστα το 7. Αν κάποιος φοιτητής δεν καταφέρει να πάρει προβιβάσιμο βαθμό στις 2 εξεταστικές (Ιανουάριο, Σεπτέμβριο), αλλά έχει ολοκληρώσει επιτυχώς τις ασκήσεις, 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.
3) 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 (2) ανωτέρω, από την γραπτή εξέταση.
4) Όσοι φοιτητές παλαιότερων ετών έχουν απορίες και δεν θυμούνται αν έχουν ολοκληρώσει όντως τις εργαστηριακές ασκήσεις, μπορούν να επικοινωνήσουν με την κα Μαργαρίτα Θεοδωροπούλου (margarita.th@gmail.com) για τα έτη μέχρι το 2021-2022 και με την κα Θεοδοσία Χαρίτου (sissycha87@gmail.com) για τα έτη (2022-20223 και μετά) για να κάνουν τον έλεγχο.
Εισαγωγή: ορισμός και Ιστορία της Βιοπληροφορικής. Υποδιαιρέσεις. Είδη των δεδομένων στη Βιοπληροφορική. Βάσεις δεδομένων: βάσεις δεδομένων βιβλιογραφίας, αλληλουχιών πρωτεϊνών και DNA, δομών, διπλωμάτων και οικογενειών, εξειδικευμένες βάσεις δεδομένων, εργαλεία ανάλυσης της πληροφορίας που είναι αποθηκευμένη στις βάσεις δεδομένων – Entrez, SRS. Στοίχιση ακολουθιών: Μέθοδοι εύρεσης ομοιοτήτων σε αλληλουχίες, ομολογία και ομοιότητα αλληλουχιών και η σημασία τους, αλγόριθμοι δυναμικού προγραμματισμού, ολική στοίχιση – Global Alignment – αλγόριθμος των Needleman και Wunch, τοπική στοίχιση – Local Alignment – αλγόριθμος των Smith και Waterman, υπολογισμός της στατιστικής σημαντικότητας της στοίχισης, πίνακες ομοιότητας και η σημασία τους, ποινές για τα κενά, ευριστικές μέθοδοι για αναζήτηση ομοιοτήτων σε βάσεις δεδομένων BLAST, FASTA. Πολλαπλή στοίχιση αλληλουχιών: Πολυδιάστατοι αλγόριθμοι δυναμικού προγραμματισμού, ευριστικές μέθοδοι πολλαπλής στοίχισης ακολουθιών – CLUSTAL, DIALIGN, T-Coffee, κλπ – φυλογενετικά δένδρα και πολλαπλές στοιχίσεις. Αλγόριθμοι πρόγνωσης στηριζόμενοι στην ακολουθία πρωτεϊνών και DNA: Πρόγνωση δευτεροταγούς δομής πρωτεϊνών και RNA, πρόγνωση διαμεμβρανικών τμημάτων πρωτεϊνών και προσανατολισμού τους, εύρεση πιθανών γονιδίων σε ακολουθίες DNA, Hidden Markov Models και Νευρωνικά Δίκτυα στη Βιοπληροφορική. Oι 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)
Βιοπληροφορική και Λειτουργική Γονιδιωματική, Jonathan Pevsner, ΑΚΑΔΗΜΑΪΚΕΣ ΕΚΔΟΣΕΙΣ, ISBN: 978-618-5135-17-1
Βιοπληροφορική, OVELLETE F. - BAXEVANIS A., ΠΑΡΙΣΙΑΝΟΥ ΑΝΩΝΥΜΗ ΕΚΔΟΤΙΚΗ ΕΙΣΑΓΩΓΙΚΗ ΕΜΠΟΡΙΚΗ ΕΤΑΙΡΙΑ ΕΠΙΣΤΗΜΟΝΙΚΩΝ ΒΙΒΛΙΩΝ, 2012, ΑΘΗΝΑ
Μπάγκος, Π., 2015. Βιοπληροφορική. [ηλεκτρ. βιβλ.] Αθήνα:Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. Διαθέσιμο στο: http://hdl.handle.net/11419/5016
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
Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι ικανοί:
- Να αναγνωρίζουν και να διακρίνουν τα βασικά βιολογικά φαινόμενα, στα οποία εμπλέκεται η βιοπληροφορική
- Να επιλύουν προβλήματα που έχουν να κάνουν με αναζητήσεις σε βάσεις βιολογικών δεδομένων
- Να χρησιμοποιούν τα βασικά εργαλεία στοίχισης, πολλαπλής στοίχισης και πρόγνωσης
| Α/Α | Διδάσκων | Ημ/νία | Τίτλος Διάλεξης | Περιγραφή |
| 1 | Μπάγκος Π. | 2-Οκτ | Εισαγωγή -Ιστορία της Βιοπληροφορικής | Διάλεξη |
| 2 | Μπάγκος Π. | 9-Οκτ | Βάσεις Βιολογικών Δεδομένων | Διάλεξη |
| 3 | Μπάγκος Π. | 16-Οκτ | Στοίχιση Αλληλουχιών | Διάλεξη |
| 4 | Μπάγκος Π. | 23-Οκτ | Αναζητήσεις ομοιότητας σε βάσεις δεδομένων (BLAST) | Διάλεξη |
| 5 | Μπάγκος Π. | 30-Οκτ | Πολλαπλή στοίχιση αλληλουχιών | Διάλεξη |
| 6 | Μπάγκος Π. | 6-Νοε | Αναζήτηση προτύπων | Διάλεξη |
| 7 | Μπάγκος Π. | 13-Νοε | Φυλογενετική ανάλυση | Διάλεξη |
| 8 | Μπάγκος Π. | 20-Νοε | ΗΜΜ 1 | Διάλεξη |
| 9 | Μπάγκος Π. | 27-Νοε | ΗΜΜ 2 | Διάλεξη |
| 10 | Μπάγκος Π. | 4-Δεκ | Μέθοδοι πρόγνωσης Ι | Διάλεξη |
| 11 | Μπάγκος Π. | 11-Δεκ | Μέθοδοι πρόγνωσης ΙΙ | Διάλεξη |
| 12 | Μπάγκος Π. | 18-Δεκ | Μέθοδοι πρόγνωσης ΙΙI | Διάλεξη |
| 13 | Μπάγκος Π. | 8-Ιαν | Επανάληψη | Διάλεξη |
| Α/Α | Διδάσκων | Ημ/νία | Τίτλος Άσκησης | Περιγραφή |
| 1 | Κάνδυλας Δ, Κυλώνης Α | 10-Οκτ | Βάσεις Βιολογικών Δεδομένων | Εργαστηριακή Άσκηση (Ομάδες Α+Β) |
| 2 | Κάνδυλας Δ, Κυλώνης Α | 17-Οκτ | Βάσεις Βιολογικών Δεδομένων | Εργαστηριακή Άσκηση (Ομάδες Γ+Δ) |
| 3 | Κάνδυλας Δ, Κυλώνης Α | 24-Οκτ | Στοίχιση και Αναζητήσεις σε Βάσεις Δεδομένων | Εργαστηριακή Άσκηση (Ομάδες Α+Β) |
| 4 | Κάνδυλας Δ, Κυλώνης Α | 31-Οκτ | Στοίχιση και Αναζητήσεις σε Βάσεις Δεδομένων | Εργαστηριακή Άσκηση (Ομάδες Γ+Δ) |
| 5 | Κάνδυλας Δ, Κυλώνης Α | 7-Νοε | Πολλαπλή Στοίχιση, Profiles και Φυλογενετική | Εργαστηριακή Άσκηση (Ομάδες Α+Β) |
| 6 | Κάνδυλας Δ, Κυλώνης Α | 14-Νοε | Πολλαπλή Στοίχιση, Profiles και Φυλογενετική | Εργαστηριακή Άσκηση (Ομάδες Γ+Δ) |
| 7 | Κάνδυλας Δ, Κυλώνης Α | 21-Νοε | Μέθοδοι Πρόγνωσης | Εργαστηριακή Άσκηση (Ομάδες Α+Β) |
| 8 | Κάνδυλας Δ, Κυλώνης Α | 28-Νοε | Μέθοδοι Πρόγνωσης | Εργαστηριακή Άσκηση (Ομάδες Γ+Δ) |
| 9 | Κάνδυλας Δ, Κυλώνης Α | 5-Δεκ | Επανάληψη-Αναπληρώσεις | Εργαστηριακή Άσκηση (όλες οι ομάδες) |
| ΟΝΟΜΑ | ΕΠΩΝΥΜΟ | ΤΜΗΜΑ | ΠΡΩΤΕΪΝΗ |
| ΑΘΑΝΑΣΙΟΣ | ΑΓΓΕΛΗΣ | Α | A8IE32 |
| ΣΤΑΥΡΟΣ | ΑΓΓΟΥΡΙΔΑΚΗΣ | Α | E6MVD9 |
| ΒΑΣΙΛΕΙΟΣ-ΒΥΖΑΝΤΙΟΣ | ΑΔΑΜΟΣ | Α | P0A1N8 |
| ΖΙΟΥΛΗ | ΑΙΚΑΤΕΡΙΝΗ | Α | P75733 |
| ΓΕΩΡΓΙΟΣ | ΑΚΡΙΒΟΥ | Α | P0DSN2 |
| ΠΑΝΑΓΙΩΤΗΣ ΑΠΟΣΤΟΛΟΣ | ΑΝΔΡΕΟΠΟΥΛΟΣ | Α | A0A923E755 |
| ΚΩΝΣΤΑΝΤΙΝΑ | ΑΝΔΡΙΑΝΟΠΟΥΛΟΥ | Α | Q9RGZ0 |
| ΕΛΕΝΗ | ΑΝΔΡΙΩΤΗ | Α | A0A0H3LM39 |
| ΣΟΦΙΑ | ΒΑΡΔΟΥΛΗ | Α | A0A2S6NEK5 |
| ΣΤΕΛΙΟΣ | ΒΑΡΘΑΛΙΤΗΣ | Α | A0A0L8FVQ9 |
| ΕΛΕΝΗ | ΒΛΑΧΑΚΗ | Α | P0ABJ1 |
| ΘΕΟΔΩΡΑ ΑΛΙΚΗ | ΒΛΑΧΟΥ | Α | A0A263CW99 |
| ΛΟΥΚΙΑ | ΒΟΥΔΟΥΡΗ | Α | P9WK55 |
| ΓΕΩΡΓΙΟΣ | ΒΡΕΝΤΖΟΣ | Α | Q50EA3 |
| ΘΟΔΩΡΗΣ | ΓΕΡΑΜΑΝΗΣ | Α | O50499 |
| ΗΛΙΑΣ | ΓΕΩΡΓΙΑΔΗΣ | Α | D4GPW5 |
| ΠΑΝΑΓΙΩΤΗΣ | ΓΚΑΤΖΙΝΗΣ | Α | D4GUI7 |
| ΕΥΘΥΜΙΟΣ | ΓΚΙΚΑΣ | Α | A8IE32 |
| ΙΩΑΝΝΗΣ | ΓΚΙΛΛΗΣ | Α | E6MVD9 |
| ΕΛΕΥΘΕΡΙΟΣ | ΓΚΟΥΛΙΑΒΙΔΗΣ | Α | P0A1N8 |
| ΜΑΡΙΝΑ | ΓΚΟΥΛΙΟΥΔΗ | Α | P75733 |
| ΒΑΣΙΛΕΙΟΣ ΓΕΩΡΓΙΟΣ | ΓΩΓΟΥΛΑΣ | Α | P0DSN2 |
| ΓΙΩΡΓΟΣ | ΔΑΜΙΡΗΣ | Α | A0A923E755 |
| ΓΙΩΡΓΟΣ | ΔΑΡΔΑΝΗΣ | Α | Q9RGZ0 |
| ΑΛΕΞΑΝΔΡΟΣ | ΔΕΔΕΣ | Α | A0A0H3LM39 |
| ΗΡΑΚΛΗΣ | ΕΥΘΥΜΙΑΔΗΣ | Α | A0A2S6NEK5 |
| ΧΡΙΣΤΟΦΟΡΟΣ | ΕΥΚΟΛΙΔΗΣ | Β | A0A0L8FVQ9 |
| ΣΤΑΥΡΟΥΛΑ | ΖΙΑΡΡΑ | Β | A0A263CW99 |
| ΕΥΑΓΓΕΛΟΣ | ΖΟΥΜΑΣ | Β | P9WK55 |
| ΚΩΝΣΤΑΝΤΙΝΟΣ | ΘΕΟΧΑΡΗΣ | Β | O50499 |
| ΝΤΑΡΙ | ΙΝΦΑΝΤΕ ΧΑΚΕΖ | Β | D4GPW5 |
| ΕΙΡΗΝΗ | ΚΑΝΔΥΛΑ | Β | D4GUI7 |
| ΙΩΑΝΝΗΣ | ΚΑΡΑΝΑΤΣΙΟΣ | Β | A8IE32 |
| ΚΥΡΙΑΚΗ | ΚΑΡΤΣΙΟΥ | Β | E6MVD9 |
| ΠΑΝΑΓΙΩΤΗΣ | ΚΑΤΣΑΡΕΛΗΣ | Β | P0A1N8 |
| ΝΙΚΟΣ | ΚΑΤΣΙΚΑΒΑΛΗΣ | Β | P75733 |
| ΙΩΑΝΝΑ | ΚΙΣΙΡΗ | Β | A0A923E755 |
| ΜΑΡΙΑ | ΚΙΤΣΑ | Β | Q9RGZ0 |
| ΒΑΣΙΛΗΣ | ΚΟΝΙΟΣ | Β | A0A0H3LM39 |
| ΜΑΡΙΑ | ΚΟΤΣΑΛΑ | Β | A0A2S6NEK5 |
| ΣΩΤΗΡΙΟΣ | ΚΟΥΤΡΑΣ | Β | A0A0L8FVQ9 |
| ΧΑΡΙΚΛΕΙΑ | ΚΥΡΙΩΤΗ | Β | P0ABJ1 |
| ΖΗΣΗΣ | ΚΩΝΣΤΑΝΤΙΝΙΔΗΣ | Β | A0A263CW99 |
| ΜΙΧΑΗΛ | ΛΑΖΑΡΙΔΗΣ | Β | P9WK55 |
| ΓΕΩΡΓΙΟΣ - ΠΑΝΑΓΙΩΤΗΣ | ΛΙΤΟΣΕΛΙΤΗΣ | Β | Q50EA3 |
| ΜΑΡΙΑ | ΜΑΚΡΗ | Β | O50499 |
| ΑΦΡΟΔΙΤΗ | ΜΑΛΛΙΤΟΥ | Β | D4GPW5 |
| ΡΑΝΙΑ | ΜΕΧΝΤΙ | Β | D4GUI7 |
| ΜΑΡΙΝΑ | ΜΗΤΣΗ | Β | A8IE32 |
| ΗΛΙΑΣ | ΜΙΧΑΛΑΣ | Β | E6MVD9 |
| ΛΕΩΝΙΔΑΣ | ΚΡΥΟΝΑΣ | Β | P0A1N8 |
| ΚΩΝΣΤΑΝΤΙΝΟΣ | ΜΠΑΚΟΓΙΑΝΝΗΣ | Γ | P75733 |
| ΧΡΙΣΤΙΝΑ - ΚΑΘΟΛΙΚΗ | ΜΠΑΝΤΙΟΥ | Γ | P0DSN2 |
| ΔΗΜΗΤΡΗΣ | ΜΠΕΣΙΝΑΣ | Γ | A0A923E755 |
| ΝΑΝΣΙ | ΜΠΥΛΥΚΟΥ | Γ | Q9RGZ0 |
| ΜΑΡΙΝΑ-ΕΥΤΥΧΙΑ | ΜΥΡΤΑΚΗ | Γ | A0A0H3LM39 |
| ΠΑΡΘΕΝΑ | ΜΩΫΣΙΑΔΟΥ | Γ | A0A2S6NEK5 |
| ΔΗΜΟΣΘΕΝΗΣ | ΝΑΣΙΟΥΛΑΣ | Γ | A0A0L8FVQ9 |
| ΜΑΡΙΑ | ΝΕΔΟΥ | Γ | P0ABJ1 |
| ΕΥΑΓΓΕΛΙΑ ΑΙΚΑΤΕΡΙΝΑ | ΝΙΚΑ | Γ | A0A263CW99 |
| ΠΑΝΤΕΛΕΗΜΩΝ | ΝΙΚΟΛΑΟΥ | Γ | P9WK55 |
| ΗΛΙΑΣ | ΝΤΑΡΤΖΟΥΛΙΔΗΣ | Γ | Q50EA3 |
| ΑΝΑΣΤΑΣΙΟΣ | ΝΤΑΣΗΣ | Γ | O50499 |
| ΠΟΣΟΥΛΑ | ΝΤΟΥΜΠΑΚΗ | Γ | D4GPW5 |
| ΔΗΜΗΤΡΗΣ | ΞΑΝΘΟΠΟΥΛΟΣ | Γ | D4GUI7 |
| ΧΑΤΖΗΑΥΓΟΥΣΤΙΔΗΣ | ΠΑΝΑΓΙΩΤΗΣ | Γ | A8IE32 |
| ΣΤΕΛΙΟΣ | ΠΑΝΟΣ | Γ | E6MVD9 |
| ΓΕΩΡΓΙΟΣ | ΠΑΠΑΘΑΝΑΣΙΟΥ | Γ | P0A1N8 |
| ΓΙΩΡΓΟΣ | ΠΑΠΑΜΙΚΡΟΥΛΗΣ | Γ | P75733 |
| ΣΤΥΛΙΑΝΗ ΕΛΕΝΗ | ΠΑΡΑΣΚΕΥΑ | Γ | P0DSN2 |
| ΘΕΟΔΩΡΟΣ | ΠΑΡΟΥΣΟΓΛΟΥ | Γ | A0A923E755 |
| ΗΛΙΑΣ | ΠΑΥΛΙΔΗΣ | Γ | Q9RGZ0 |
| ΕΥΑΓΓΕΛΟΣ | ΠΙΝΑΤΣΗΣ | Γ | A0A0H3LM39 |
| ΜΑΡΙΑ | ΠΟΛΥΧΡΟΝΟΥΔΗ | Γ | A0A2S6NEK5 |
| ΔΗΜΗΤΡΗΣ | ΠΡΙΤΣΑΣ | Γ | A0A0L8FVQ9 |
| ΓΕΩΡΓΙΟΣ | ΠΡΙΦΤΗΣ | Γ | P0ABJ1 |
| ΑΙΚΑΤΕΡΙΝΗ ΙΩΑΝΝΑ | ΡΕΓΓΙΝΑ | Γ | A0A263CW99 |
| ΣΤΥΛΙΑΝΗ | ΚΙΤΣΙΟΥ | Γ | P9WK55 |
| ΒΑΣΙΛΕΙΑ | ΡΟΓΚΑ | Δ | Q50EA3 |
| ΑΡΤΕΜΙΣ | ΣΑΒΒΙΔΟΥ | Δ | D4GPW5 |
| ΠΑΝΑΓΙΩΤΗΣ | ΣΑΚΑΤΖΗΣ | Δ | D4GUI7 |
| ΆΝΝΑ ΧΡΙΣΤΙΝΑ | ΣΑΡΡΗ | Δ | A8IE32 |
| ΜΑΡΙΑ ΕΛΕΝΗ | ΣΕΡΒΕΤΑ | Δ | E6MVD9 |
| ΦΑΤΜΑ | ΣΕΧ | Δ | P0A1N8 |
| ΦΩΤΕΙΝΗ | ΣΙΑΠΕΡΑ | Δ | P75733 |
| ΜΑΡΙΑ | ΣΟΛΩΜΟΥ | Δ | P0DSN2 |
| ΠΑΝΑΓΙΩΤΑ | ΣΤΕΡΓΙΟΠΟΥΛΟΥ | Δ | Q9RGZ0 |
| ΓΕΩΡΓΊΑ | ΤΑΝΤΑΝΌΖΗ | Δ | A0A0H3LM39 |
| ΘΩΜΑΣ | ΤΖΙΜΑΣ | Δ | A0A2S6NEK5 |
| ΑΛΕΞΑΝΔΡΟΣ | ΤΡΥΨΑΝΗΣ | Δ | A0A0L8FVQ9 |
| ΚΑΡΙΝΑ | ΤΣΑΝΑ | Δ | P0ABJ1 |
| ΜΑΡΙΑ | ΤΣΙΛΙΓΚΑΡΙΔΟΥ | Δ | P9WK55 |
| ΔΕΣΠΟΙΝΑ | ΤΣΙΟΥΜΑΡΗ | Δ | Q50EA3 |
| ΒΑΣΙΛΗΣ | ΦΙΝΙΔΗΣ | Δ | O50499 |
| ΣΤΥΛΙΑΝΗ | ΦΡΑΓΚΟΥ | Δ | D4GPW5 |
| ΠΕΤΡΟΣ | ΧΑΛΑΡΗΣ | Δ | D4GUI7 |
| ΜΑΡΙΑ | ΧΕΛΙΔΟΝΗ | Δ | A8IE32 |
| ΔΗΜΗΤΡΗΣ- ΑΝΔΡΕΑΣ | ΧΟΥΠΕΡ | Δ | E6MVD9 |
| ΔΗΜΗΤΡΙΟΣ | ΧΡΥΣΑΦΗΣ | Δ | P0A1N8 |
| ΒΑΣΙΛ | ΧΥΣΟΛΛΙ | Δ | P75733 |
| ΣΤΑΥΡΟΣ | ΒΑΣΙΛΑΚΗΣ | Δ | A0A923E755 |
| ΧΡΗΣΤΟΣ | ΓΙΑΛΟΥΡΗΣ | Δ | Q9RGZ0 |
1) Η παρακολούθηση και η ολοκλήρωση των εργαστηριακών ασκήσεων είναι υποχρεωτική. Λόγω των ειδικών συνθηκών και της διεξαγωγής 2 ασκήσεων σε κάθε εργαστήριο, η δυνατότητα απουσίας σε ένα από τα τέσσερα 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 30% μόνο κατά το έτος άσκησης (για σας, το έτος 2025-26). Αν κάποιος δεν παραδώσει εργασία μέσα στις προθεσμίες, τότε ο βαθμός του κατά το έτος της άσκησης θα βγαίνει με άριστα το 7. Αν κάποιος φοιτητής δεν καταφέρει να πάρει προβιβάσιμο βαθμό στις 2 εξεταστικές (Ιανουάριο, Σεπτέμβριο), αλλά έχει ολοκληρώσει επιτυχώς τις ασκήσεις, 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.
3) 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 (2) ανωτέρω, από την γραπτή εξέταση.
4) Όσοι φοιτητές παλαιότερων ετών έχουν απορίες και δεν θυμούνται αν έχουν ολοκληρώσει όντως τις εργαστηριακές ασκήσεις, μπορούν να επικοινωνήσουν με την κα Μαργαρίτα Θεοδωροπούλου (margarita.th@gmail.com) για τα έτη μέχρι το 2021-2022 και με την κα Θεοδοσία Χαρίτου (sissycha87@gmail.com) για τα έτη (2022-20223 και μετά) για να κάνουν τον έλεγχο.
Η βιοπληροφορική είναι ένας ταχέα αναπτυσσόμενος διεπιστημονικός κλάδος. Παρόλο που ένας ακριβής ορισμός δεν μπορεί να δοθεί, και υπάρχουν μάλιστα και πολλές διαφωνίες ανάλογα με την οπτική και το υπόβαθρο του καθενός, είναι σαφές ότι πρόκειται για τον επιστημονικό κλάδο που βρίσκεται στην περιοχή επαφής της βιολογίας με τα μαθηματικά και την επιστήμη υπολογιστών. Στο κεφάλαιο αυτό, θα προσπαθήσουμε να εξετάσουμε τέτοια θέματα από όλες τις πλευρές. Θα δούμε το ιστορικό πλαίσιο ανάπτυξης της βιοπληροφορικής (ή καλύτερα, της υπολογιστικής βιολογίας), το διεπιστημονικό χαρακτήρα της, τους μύθους που τη συνοδεύουν, αλλά θα δούμε και τις τελευταίες εξελίξεις στη βιβλιογραφία της βιοπληροφορικής, τόσο διεθνώς όσο και στην Ελλάδα. Με τα περιεχόμενα αυτού το κεφαλαίου, ευελπιστούμε ότι οι αναγνώστες θα μπορέσουν να αποκτήσουν μια εποπτική εικόνα αυτού του σύνθετου ερευνητικού πεδίου η οποία θα τους βοηθήσει στην κατανόηση των επόμενων κεφαλαίων
Στο κεφάλαιο αυτό, θα γίνει η απαραίτητη εισαγωγή στις βιολογικές βάσεις δεδομένων έτσι ώστε ο αναγνώστης να μπορεί, στα επόμενα κεφάλαια, να ανατρέχει στις πηγές που χρησιμοποιούνται για την ανάλυση των αντίστοιχων κάθε φορά δεδομένων (αλληλουχίες, δομές, οικογένειες πρωτεϊνών, δεδομένα έκφρασης, πολυμορφισμοί κ.ο.κ.). Ανάλογα με το είδος της πληροφορίας που περιέχουν, θα παρουσιαστούν οι κύριες βάσεις κάθε κατηγορίας και θα τονιστούν τα βασικά χαρακτηριστικά τους. Ειδικό κομμάτι στο τέλος του κεφαλαίου, θα αφιερωθεί στις εξειδικευμένες βάσεις (κυριώς πρωτεϊνικών) δεδομένων, οι οποίες καταλαμβάνουν σημαντικό μερίδιο στην έρευνα των μικρών και μεσαίου μεγέθους ερευνητικών εργαστηρίων και αποτελούν σημαντικό εργαλείο στη βιοπληροφορική μελέτη των πρωτεϊνών.
Στο κεφάλαιο αυτό θα παρουσιαστούν αρχικά, τα απαραίτητα μαθηματικά μοντέλα που περιγράφουν τις αλληλουχίες μακρομορίων και κάποια βασικά ασυμπτωτικά αποτελέσματα που αναφέρονται σε αυτές. Στη συνέχεια θα παρουσιαστούν τα βασικά θεωρητικά αποτελέσματα που αφορούν στη στοίχιση βιολογικών αλληλουχιών. Θα παρουσιαστούν οι τρόποι βαθμονόμησης της στοίχισης, οι τρόποι εύρεσης της στοίχισης, καθώς και τα διαφορετικά είδη αλγορίθμων στοίχισης, ενώ ιδιαίτερη έμφαση θα δοθεί στην αξιολόγηση της στατιστικής σημαντικότητας μιας στοίχισης. Τέλος, θα παρουσιαστούν οι βασικοί ευριστικοί αλγόριθμοι τοπικής στοίχισης (FASTA, BLAST), οι οποίοι χρησιμοποιούνται καθημερινά στη βιοπληροφορική
Η πολλαπλή στοίχιση είναι μια διαδικασία με κεντρική σημασία στη σύγχρονη βιοπληροφορική. Πολλαπλές στοιχίσεις χρησιμοποιούνται για να εντοπιστούν τα συντηρημένα τμήματα σε μια ομάδα πρωτεϊνικών ακολουθιών και για να χαρακτηριστεί η αντίστοιχη οικογένεια, αλλά και για άλλες αναλύσεις, όπως η εκτίμηση φυλογενετικών σχέσεων και η υποβοήθηση της απόδοσης προγνωστικών αλγορίθμων. Το βασικό πρόβλημα της πολλαπλής στοίχισης είναι ότι δεν υπάρχει εύκολος τρόπος να βρεθεί μαθηματικά, η βέλτιστη λύση στο πρόβλημα, όπως έγινε στην περίπτωση της κατά ζεύγη στοίχισης. Στο κεφάλαιο αυτό θα μελετήσουμε τους κύριους αλγόριθμους πολλαπλής στοίχισης και τις αντίστοιχες υλοποιήσεις. Θα δούμε επίσης πώς αξιολογείται μια μέθοδος πολλαπλής στοίχισης, ποια εργαλεία υπάρχουν για την οπτικοποίηση και την επεξεργασία της, και τέλος, θα δούμε πρακτικές συμβουλές για μια καλή πολλαπλή στοίχιση
Στο κεφάλαιο αυτό θα μελετήσουμε τα πρότυπα αλληλουχιών και θα εξετάσουμε τη χρησιμότητά τους. Θα δούμε τον τρόπο ορισμού των προτύπων της PROSITE και τη σχέση τους με τα πρότυπα κανονικών εκφράσεων και θα συζητήσουμε τα πλεονεκτήματα και τα μειονεκτήματά τους. Κατόπιν, θα αξιολογήσουμε πώς κάποια από αυτά τα μειονεκτήματα αντιμετωπίζονται με τους πίνακες του σκορ ειδικούς ανά θέση (PSSMs) και τα προφίλ αλληλουχιών (profiles), τα οποία είναι πιο ευέλικτες στατιστικές περιγραφές των συντηρημένων περιοχών σε μια πολλαπλή στοίχιση. Τέλος, θα μιλήσουμε και για τα πιο γνωστά εργαλεία λογισμικού που χρησιμοποιούνται για την κατασκευή αλλά και για την αναγνώριση τέτοιων προτύπων και προφίλ σε αλληλουχίες.
Στο κεφάλαιο αυτό εξετάζονται οι υπολογιστικές όψεις της φυλογενετικής ανάλυσης, δηλαδή, της διαδικασίας εκτίμησης των εξελικτικών σχέσεων των οργανισμών, μέσα από τη μελέτη των αντίστοιχων βιολογικών αλληλουχιών τους. Θα δούμε στην αρχή τους βασικούς ορισμούς για τα φυλογενετικά δέντρα και τα βασικά πιθανοθεωρητικά μοντέλα της εξέλιξης αλληλουχιών. Κατόπιν, θα παρουσιάσουμε τις βασικές κατηγορίες μεθόδων κατασκευής φυλογενετικών δέντρων, και θα σχολιάσουμε τις ομοιότητες και τις διαφορές τους. Τέλος, θα παρουσιάσουμε τα αντίστοιχα πακέτα λογισμικού που υπάρχουν διαθέσιμα για το σκοπό αυτό, θα σχολιάσουμε τα σχετικά πλεονεκτήματα και μειονεκτήματα τους, και θα δώσουμε πρακτικές συμβουλές.
Στο κεφάλαιο αυτό, θα γίνει η απαραίτητη εισαγωγή στα μαρκοβιανά μοντέλα εξάρτησης και κατόπιν, παρουσίαση των κρυπτομαρκοβιανών μοντέλων (Hidden Markov Models) τα οποία αποτελούν ένα σημαντικό εργαλείο στη σύγχρονη βιοπληροφορική. Θα αναφερθούμε στα βασικά χαρακτηριστικά των μοντέλων αυτών και στη μαθηματική τους θεμελίωση, ενώ θα παρουσιαστούν σε βάθος οι διάφοροι αλγόριθμοι που χρησιμοποιούνται για τον υπολογισμό της πιθανοφάνειας, για την αποκωδικοποίηση και για την εκτίμηση παραμέτρων στα μοντέλα αυτά. Θα παρουσιαστούν επίσης, τα μοντέλα για σημασμένες αλληλουχίες, τα οποία αποτελούν μια επέκταση του βασικού ΗΜΜ, η οποία βρίσκει πολλές εφαρμογές στην ανάλυση βιολογικών αλληλουχιών (πρόγνωση διαμεμβρανικών πρωτεϊνών, εύρεση γονιδίων κ.ο.κ.). Τέλος, θα γίνει ειδική αναφορά στο profile HMM το οποίο είναι άλλη μια παραλλαγή του βασικού μοντέλου, η οποία βρίσκει εφαρμογές στη μοντελοποίηση πρωτεϊνικών οικογενειών, στην εύρεση μακρινών ομολόγων και στην πολλαπλή στοίχιση.
Στο κεφάλαιο αυτό θα ασχοληθούμε με τις μεθόδους πρόγνωσης δομής και λειτουργίας μακρομορίων, τόσο των πρωτεϊνών όσο και του DNA και RNA. Οι μέθοδοι αυτές είναι ιδιαίτερα σημαντικές καθώς έρχονται να καλύψουν το κενό που προκύπτει σε περιπτώσεις που μια νεοανακαλυφθείσα αλληλουχία δεν εμφανίζει σημαντική ομοιότητα με κάποια άλλη γνωστής δομής ή λειτουργίας. Θα παρουσιάσουμε τις βασικές αρχές με τις οποίες μπορεί να κατασκευαστεί μια προγνωστική μέθοδος, καθώς και τα πιο σημαντικά παραδείγματα τέτοιων μεθόδων τα οποία παρουσιάζουν μεγάλο θεωρητικό και πρακτικό ενδιαφέρον. Έτσι, θα δούμε την πρόγνωση της δευτεροταγούς δομής πρωτεϊνών, την πρόγνωση των διαμεμβρανικών τμημάτων, την πρόγνωση των σηματοδοτικών αλληλουχιών αλλά και παραδείγματα πρόγνωσης μετα-μεταφραστικών τροποποιήσεων. Στην περίπτωση του DNA θα δούμε τις μεθόδους εύρεσης γονιδίων, αλλά και άλλα σχετιζόμενα προβλήματα (εύρεση σημείων αποκοπής εξωνίων/εσωνίων, πρόγνωση πολυαδενυλίωσης κ.ο.κ.), ενώ για RNA θα εστιάσουμε στις μεθόδους πρόγνωσης των micro RNA και των στόχων τους.
