1-BIN-301, 2-AIN-501 Methods in Bioinformatics, 2021/22

Introduction · Rules · Tasks and dates · Materials · Moodle · Discussion
Cvičenia vo štvrtok o 14:00 sú určené pre študentov BIN, INF, mINF, mAIN, DAV. Cvičenia vo štvrtok o 17:20 sú pre študentov z PriFUK a z fyzikálnych odborov. Obidvoje cvičenia sa budú konať už v prvom týždni semestra.


Exam: Rozdiel medzi revíziami

Z MBI
Prejsť na: navigácia, hľadanie
(Pokyny ku skúške)
Riadok 1: Riadok 1:
== Pokyny ku skúške ==
+
== Exam rules ==
  
Hlavná časť skúšky je '''písomná''':
+
The main part is '''written''':
* Treba získať aspoň polovicu bodov
+
* You need at least 50% of points
* Zadanie a odovzdávanie v Moodli, čas 3 hodiny
+
* Time 3 hours
* MS Teams: na začiatku skúšky online stretnutie s pokynmi, počas skúšky píšte vyučujúcim do súkromného čet-u otázky, sledujte prípadné oznamy na online stretnutí počas skúšky
+
* About 50% of points for simple questions,
* Môžete odovzdať pdf vytvorené v editore alebo písať na papier, odfotiť, konvertovať do pdf. V čisto textových otázkach sa bude dať odpoveď zapísať priamo do políčka v Moodli.
+
** examples on this page
* Každý príklad sa odovzdáva zvlášť
+
** in case of interest tutorial session before exam
 +
* The rest of the questions mostly designing/modifying an algorithm or model
 +
* Online or in person, depending on circumstances
 +
* You can use pen, simple calculator and a cheat sheet up to 2 A4 two-sided sheets
  
'''Povolené pomôcky''':
+
===Written exam, online version===
* Papier a pero
+
* Exam questions and submission in Moodle (e-mail for guests)
* Materiály na stránke predmetu (poznámky, prezentácie, skriptá)
+
* MS teams: annoucements, questions
* Vaše vlastné poznámky z predmetu
+
* Write in an editor, create pdf or write on paper, scan/photo, convert to pdf
* Textové a grafické editory na zapisovanie riešenia (nepoužívať funkcie nesúvisiace priamo s editovaním)
+
* Allowed aids:
* Softvér na digitalizáciu papierových riešení
+
** Same as in person (incl. cheat sheet)
* Jednoduchá kalkulačka (hardvér alebo softvér)
+
** Plus: Text and image editors, software for digitization of handwritten pages, MS Teams to communicate with instructors Moodle for getting and submitting exam
* MS Teams len na komunikácii s vyučujúcimi
+
* Not allowed:
* Moodle len na čítanie zadaní a odovzdanie riešení
+
** Communication with other persons except instructors
 +
** Other webpages
 +
** Other software (e.g. specialized bioinformatics programs, compilers)
  
'''Zakázané pomôcky''':
+
===Oral exam===
* Komunikácia s inými osobami než vyučujúcimi
+
* Only for online exam
* Iné webstránky
+
* Videocall in MS Teams
* Iný softvér (napr. špecializované bioinformatické programy)
+
* After written exam, time slots over several days
 +
* We will discuss your exam
 +
* You should be able to explain your answers in detail
 +
* Oral exam influences exam grade
 +
* If you are unable to explain your answers, you will get Fx
  
'''Ústna skúška'''
 
* Videohovor cez MS Teams
 
* Koná sa po písomnej časti, vypíšeme termíny počas niekoľkých dní
 
* Budeme diskutovať o odovzdanej písomke
 
* Mali by ste vedieť podrobne zdôvodniť vaše odpovede
 
* Kvalita ústnej časti môže mierne ovplyvniť body zo skúšky
 
* Ak nebudeme vedieť vysvetliť vaše odpovede, môžeme vás hodnotiť Fx
 
  
Opravný termín skúšky bude mať buď rovnakú formu ako riadny alebo bude čisto ústny.
+
===“Second chance” exam===
 +
* The same for as the first or oral-only
 +
* The dates arranged with those who need them
  
 
<!--
 
<!--
Riadok 37: Riadok 41:
 
-->
 
-->
  
==Sylabus a ukážky príkladov==
+
==Sylabus and examples of problem==
  
Nižšie uvádzame pre každý okruh učiva stručný zoznam najdôležitejších pojmov, ktoré by biológovia aj informatici mali poznať.  
+
Below we list the most important concepts that both biologists and computer scientists should know form this course.
  
Navyše uvádzame aj niekoľko jednoduchých príkladov. Za príklady tohto typu bude možné pre biológov aj informatikov na skúške získať približne polovicu bodov. Samozrejme, na skúške nepoužijeme všetky tieto príklady a konkrétne reťazce, čísla, stromy a pod. budú iné.  
+
We also list simple questions. Questions of this type will comprise approximately 50% of the exam. Not all of these questions will be used on the exam and particular string, numbers and sequences will differ.  
  
Ostatné príklady na skúške budú prekvapením. V minulosti sa vyskytli:
 
* Krátke príklady na pochopenie základných pojmov
 
* Pre informatikov: navrhnite/modifikujte algoritmus alebo model
 
* Pre biológov: usudzovanie z konkrétnych výsledkov, výber metódy pre daný problém
 
  
===Sekvenovanie, zostavovanie genómov===
+
===Sequencing and genome assembly===
 +
 
 +
DNA sequencing and its use, sequencing read, paired reads, contigs, shortest common superstring problem, de Bruijn graphs
 +
 
 
Sekvenovanie DNA a jeho využitie, čítanie (read), spárované čítania, kontig, problém najkratšieho spoločného nadslova, de Bruijnove grafy
 
Sekvenovanie DNA a jeho využitie, čítanie (read), spárované čítania, kontig, problém najkratšieho spoločného nadslova, de Bruijnove grafy
  
* Nájdite najkratšie spoločné nadslovo reťazcov GACAATAA, ATAACAC, GTATA, TAATTGTA.
+
* Find the shortest common superstring of strings GACAATAA, ATAACAC, GTATA, TAATTGTA.
* Zostavte deBruijnov graf pre k=2 (vrcholy budú dvojice) a čítania CCTGCC, GCCAAC
+
* Find the de Bruijn graph for k=2 (nodes will be pairs of nucleotides) and reads CCTGCC, GCCAAC
 +
 
 +
===Sequence alignment===
 +
 
 +
The problem of local and global alignment of two sequences, dynamic programming algorithms, scoring matrix and its probabilistic meaning, statistical significance (E-value, P-value), heuristic search of local alignments (BLAST), whole-genome and multiple alignments
  
===Zarovnávanie sekvencií===
 
 
Problém lokálneho a globálneho zarovnania dvoch sekvencií, jeho riešenie pomocou dynamického programovania, skórovacia matica a jej pravdepodobnostný význam, štatistická významnosť (E-value, P-value), heuristické hľadanie lokálnych zarovnaní (BLAST), celogenómové a viacnásobné zarovnania
 
Problém lokálneho a globálneho zarovnania dvoch sekvencií, jeho riešenie pomocou dynamického programovania, skórovacia matica a jej pravdepodobnostný význam, štatistická významnosť (E-value, P-value), heuristické hľadanie lokálnych zarovnaní (BLAST), celogenómové a viacnásobné zarovnania
  
* Vyplňte maticu dynamického programovania pre lokálne (resp. globálne) zarovnanie reťazcov TACGT a CAGGATT, pričom zhodu skórujeme ako +3, nezhodu -1, medzeru -2. Napíšte aj optimálne zarovnanie, ktoré ste takto našli.
+
* Fill in the dynamic programing matrices for local and global alignment of sequences TACGT a CAGGATT, where the match has score +3, mismatch -1, gap -2. Reconstruct also the optimal alignments found by the dynamic programming algorithm
* Spočítajte skóre nižšie uvedeného zarovnania, pričom použijete skórovaciu maticu uvedenú nižšie, začatie medzery -5, rozšírenie medzery o jednu ďalšiu bázu -2. Nájdite globálne zarovnanie s vyšším skóre pre tieto dve sekvencie (netreba nájsť optimálne zarovnanie; pri hľadaní môžete použiť ľubovoľný postup alebo úvahu) a spočítajte aj skóre vášho nového zarovnania.
+
 
 +
* Compute the score of the alignment shown below using the scoring matrix shown below, gap opening penalty -5, gap extension penalty -2 for each additional base. Find a global alignment with a higher score for these two sequences and compute its score. (It is not necessary to find the optimal alignment; you can use any method to arrive at the answer.)
 +
 
 
<pre>
 
<pre>
Zarovnanie:                            Matica:
+
Alignment:                            Matrix:
 
ATAGTTTAA                                A  C  G  T
 
ATAGTTTAA                                A  C  G  T
 
A-GGG--AA                            A  2  -2  -1  -2
 
A-GGG--AA                            A  2  -2  -1  -2
Riadok 68: Riadok 76:
 
</pre>
 
</pre>
  
* Uvažujme BLASTn, ktorý začína z jadier veľkosti w=3. Koľko jadier nájde pri porovnávaní sekvencií GATTACGGAT a CAGGATT? Ktoré to budú?
+
* Consider BLASTn algorithm starting from seeds of size w=3. How many seeds it finds while comparing sequences GATTACGGAT and CAGGATT? List all found seeds.
 +
 
 +
===Gene finding===
 +
 
 +
Gene, exon, intron, mRNA, splicing and alternative splicing, genetic code, hidden markov model (HMM), its states, transition and emission probabilities, use of HMMs in gene finding
  
===Hľadanie génov===
 
 
Gén, exón, intrón, mRNA, zostrih a alternatívny zostrih, kodón, genetický kód, skrytý Markovov model (HMM), jeho stavy, pravdepodobnosti prechodu a emisie, použitie HMM na hľadanie génov
 
Gén, exón, intrón, mRNA, zostrih a alternatívny zostrih, kodón, genetický kód, skrytý Markovov model (HMM), jeho stavy, pravdepodobnosti prechodu a emisie, použitie HMM na hľadanie génov
  
* Pre model na strane 16 prednášky o hľadaní génov (bol by v zadaní) spočítajte pravdepodobnosť vygenerovania báz AGT a stavov modrý,červený,modrý.
 
  
===Evolúcia a komparatívna genomika===
+
* What is the probablity of generating sequence AGT using sequence of states 1,2,1 in the HMM below?
 +
<pre>
 +
The HMM has three states 1, 2, 3. It always starts in state 1.
 +
Transition probabilities:
 +
From 1 to 1: 0.99
 +
From 1 to 2: 0.01
 +
From 2 to itself: 0.9
 +
From 2 to 1: 0.05
 +
From 2 to 3: 0.05
 +
From 3 to itself: 0.99
 +
From 3 to 2: 0.01
 +
Emmision probabilities in state 1:
 +
A 0.25, C 0.25, G 0.25, T 0.25
 +
Emmision probabilities in state 2:
 +
A 0.3, C 0.2, G 0.2, T 0.3
 +
Emmision probabilities in state 3:
 +
A 0.2, C 0.4, G 0.3, T 0.1
 +
</pre>
 +
 
 +
===Evolution and comparative genomics===
 +
 
 
Fylogenetický strom (zakorenenený a nezakorenený), metóda maximálnej úspornosti (parsimony), metóda spájania susedov (neighbor joining), metóda maximálnej vierohodnosti (maximum likelihood), Jukes-Cantorov model substitúcií a zložitejšie substitučné matice, homológ, paralóg, ortológ, detekcia pozitívneho a negatívneho výberu, fylogenetické HMM, likelihood ratio test
 
Fylogenetický strom (zakorenenený a nezakorenený), metóda maximálnej úspornosti (parsimony), metóda spájania susedov (neighbor joining), metóda maximálnej vierohodnosti (maximum likelihood), Jukes-Cantorov model substitúcií a zložitejšie substitučné matice, homológ, paralóg, ortológ, detekcia pozitívneho a negatívneho výberu, fylogenetické HMM, likelihood ratio test
  

Verzia zo dňa a času 11:52, 16. december 2021

Exam rules

The main part is written:

  • You need at least 50% of points
  • Time 3 hours
  • About 50% of points for simple questions,
    • examples on this page
    • in case of interest tutorial session before exam
  • The rest of the questions mostly designing/modifying an algorithm or model
  • Online or in person, depending on circumstances
  • You can use pen, simple calculator and a cheat sheet up to 2 A4 two-sided sheets

Written exam, online version

  • Exam questions and submission in Moodle (e-mail for guests)
  • MS teams: annoucements, questions
  • Write in an editor, create pdf or write on paper, scan/photo, convert to pdf
  • Allowed aids:
    • Same as in person (incl. cheat sheet)
    • Plus: Text and image editors, software for digitization of handwritten pages, MS Teams to communicate with instructors Moodle for getting and submitting exam
  • Not allowed:
    • Communication with other persons except instructors
    • Other webpages
    • Other software (e.g. specialized bioinformatics programs, compilers)

Oral exam

  • Only for online exam
  • Videocall in MS Teams
  • After written exam, time slots over several days
  • We will discuss your exam
  • You should be able to explain your answers in detail
  • Oral exam influences exam grade
  • If you are unable to explain your answers, you will get Fx


“Second chance” exam

  • The same for as the first or oral-only
  • The dates arranged with those who need them


Sylabus and examples of problem

Below we list the most important concepts that both biologists and computer scientists should know form this course.

We also list simple questions. Questions of this type will comprise approximately 50% of the exam. Not all of these questions will be used on the exam and particular string, numbers and sequences will differ.


Sequencing and genome assembly

DNA sequencing and its use, sequencing read, paired reads, contigs, shortest common superstring problem, de Bruijn graphs

Sekvenovanie DNA a jeho využitie, čítanie (read), spárované čítania, kontig, problém najkratšieho spoločného nadslova, de Bruijnove grafy

  • Find the shortest common superstring of strings GACAATAA, ATAACAC, GTATA, TAATTGTA.
  • Find the de Bruijn graph for k=2 (nodes will be pairs of nucleotides) and reads CCTGCC, GCCAAC

Sequence alignment

The problem of local and global alignment of two sequences, dynamic programming algorithms, scoring matrix and its probabilistic meaning, statistical significance (E-value, P-value), heuristic search of local alignments (BLAST), whole-genome and multiple alignments

Problém lokálneho a globálneho zarovnania dvoch sekvencií, jeho riešenie pomocou dynamického programovania, skórovacia matica a jej pravdepodobnostný význam, štatistická významnosť (E-value, P-value), heuristické hľadanie lokálnych zarovnaní (BLAST), celogenómové a viacnásobné zarovnania

  • Fill in the dynamic programing matrices for local and global alignment of sequences TACGT a CAGGATT, where the match has score +3, mismatch -1, gap -2. Reconstruct also the optimal alignments found by the dynamic programming algorithm
  • Compute the score of the alignment shown below using the scoring matrix shown below, gap opening penalty -5, gap extension penalty -2 for each additional base. Find a global alignment with a higher score for these two sequences and compute its score. (It is not necessary to find the optimal alignment; you can use any method to arrive at the answer.)
Alignment:                             Matrix:
ATAGTTTAA                                 A   C   G   T
A-GGG--AA                             A   2  -2  -1  -2
                                      C  -2   1  -2  -1    
                                      G  -1  -2   1  -2
                                      T  -2  -1  -2   2
  • Consider BLASTn algorithm starting from seeds of size w=3. How many seeds it finds while comparing sequences GATTACGGAT and CAGGATT? List all found seeds.

Gene finding

Gene, exon, intron, mRNA, splicing and alternative splicing, genetic code, hidden markov model (HMM), its states, transition and emission probabilities, use of HMMs in gene finding

Gén, exón, intrón, mRNA, zostrih a alternatívny zostrih, kodón, genetický kód, skrytý Markovov model (HMM), jeho stavy, pravdepodobnosti prechodu a emisie, použitie HMM na hľadanie génov


  • What is the probablity of generating sequence AGT using sequence of states 1,2,1 in the HMM below?
The HMM has three states 1, 2, 3. It always starts in state 1.
Transition probabilities:
From 1 to 1: 0.99
From 1 to 2: 0.01
From 2 to itself: 0.9
From 2 to 1: 0.05
From 2 to 3: 0.05
From 3 to itself: 0.99
From 3 to 2: 0.01
Emmision probabilities in state 1:
A 0.25, C 0.25, G 0.25, T 0.25
Emmision probabilities in state 2:
A 0.3, C 0.2, G 0.2, T 0.3
Emmision probabilities in state 3:
A 0.2, C 0.4, G 0.3, T 0.1

Evolution and comparative genomics

Fylogenetický strom (zakorenenený a nezakorenený), metóda maximálnej úspornosti (parsimony), metóda spájania susedov (neighbor joining), metóda maximálnej vierohodnosti (maximum likelihood), Jukes-Cantorov model substitúcií a zložitejšie substitučné matice, homológ, paralóg, ortológ, detekcia pozitívneho a negatívneho výberu, fylogenetické HMM, likelihood ratio test

  • Na strome nižšie nájdite najúspornejšie ancestrálne znaky pre stĺpec zarovnania TTAAA (v poradí glum, hobit, človek, elf, ork). Odpoveď môžete spočítať ľubovoľným spôsobom.
Glum   ----|
           |----|
Hobit  ----|    |----|
                |    |
Človek ---------|    |
                     |---
Elf --------|        |
            |--------|
Ork --------|
  • Nájdite najúspornejší strom pre zarovnanie uvedené nižšie. Aká je jeho cena (koľko mutácií je nutných na vysvetlenie týchto sekvencií)? Odpoveď môžete spočítať ľubovoľným spôsobom.
vtáčik biely       ACAACGTCT
vtáčik čierny      TCTGAATCA
vtáčik sivý        TGTGAAAGA
vtáčik modrý       ACTACGTCT
vtáčik zelený      TGTGAAAGA
  • Uvažujme maticu vzdialeností uvedenú nižšie. Ktorú dvojicu vrcholov spojí metóda spájania susedov ako prvú a aká bude nová matica po spojení?
                biely   čierny  sivý   modrý
vtáčik biely      0       5       7       4
vtáčik čierny     5       0       8       5
vtáčik sivý       7       8       0       5
vtáčik modrý      4       5       5       0
  • Uvažujme strom pre gluma, hobita atď uvedený v príklade vyššie (bol by v zadaní), pričom každá hrana má rovnakú dĺžku a pravdepodobnosť každej mutácie na jednej hrane je 0.1 (t.j. napr. Pr(C|A,t)=0.1) a teda pravdepodobnosť zachovania tej istej bázy je 0.7, pravdepodobnosť každej bázy v koreni je 0.25. Aká je pravdepodobnosť, že v listoch dostaneme TTAAA a vo vnútorných vrcholoch samé Áčka? Nájdite priradenie ancestrálnych báz vo vnútorných vrcholoch, ktoré má väčšiu pravdepodobnosť a spočítajte, aká tá pravdepodobnosť je (nemusíte nájsť najlepšie možné priradenie).

Expresia génov, regulácia, motívy

Určovanie génovej expresie pomocou microarray alebo sekvenovaním RNA-seq, hierarchické zhlukovanie, klasifikácia, reprezentácia sekvenčných motívov (väzobné miesta transkripčných faktorov) ako konsenzus, regulárny výraz a PSSM, hľadanie nových motívov v sekvenciách, consensus pattern problem, hľadanie motívu pomocou pravdepodobnostných modelov (EM algoritmus)

  • Uvažujme microarray experimenty pre 5 génov. Medzi každými dvomi génmi sme spočítali vzdialenosť ich profilov expresie a dostali sme tabuľku vzdialeností uvedenú nižšie. Nájdite hierarchické zhlukovanie týchto génov, pričom vzdialenosť medzi dvoma zhlukmi (clustrami) bude vzdialenosť najbližších génov v nich. Uveďte aj v akom poradí ste jednotlivé zhluky tvorili.
         A    B    C    D    E
gén A    0   0.6  0.1  0.3  0.7    
gén B   0.6   0   0.5  0.5  0.4
gén C   0.1  0.5   0   0.6  0.6
gén D   0.3  0.5  0.6   0   0.8
gén E   0.7  0.4  0.6  0.8   0
  • Uvažujte motív reprezentovaný profilom (skórovaciou maticou, PSSM) uvedenou nižšie. Spočítajte skóre reťazca GGAG. Ktorá sekvencia dĺžky 4 bude mať najmenšie a ktorá najväčšie skóre?
A   -3    3   -2   -2
C   -2   -2    1   -2
G    0   -2   -1    3
T    1   -1    1   -2
  • Nájdite všetky výskyty regulárneho výrazu TA[CG][AT]AT v sekvencii GACGATATAGTATGTACAATATGC.

Proteíny

Primárna, sekundárna a terciálna štruktúra proteínov, proteínové domény a rodiny, reprezentovanie rodiny pravdepodobnostným profilom a profilovým HMM, protein threading, gene ontology.

  • Zostavte profil (PSSM) pre zarovnanie sekvencií uvedené nižšie, pričom predpokladáme, že v celej databáze A tvorí 60% a G 40% všetkých sekvencií (iné aminokyseliny neuvažujeme). Použite prirodzený logaritmus (ln) a pseudocount 1.
AAGA
GAGA
GAAA
GGAG
GGAA

RNA

Sekundárna štruktúra RNA, pseudouzol a dobre uzátvorkovaná štruktúra, Nussinovovej algoritmus, minimalizácia energie, stochastické bezkontextové gramatiky, kovariančné modely.

  • Doplňte chýbajúce hodnoty za otázniky v matici dynamického programovania (Nussinovovej algoritmus) pre nájdenie najväčšieho počtu dobre uzátvorkovaných spárovaných báz v RNA sekvencii GAACUAUCUGA (dovoľujeme len komplementárne páry A-U, C-G) a nakreslite sekundárnu štruktúru, ktorú algoritmus našiel.
 0 0 0 1 1 2 2 3 3 ? ?
   0 0 0 1 1 2 2 3 3 ?
     0 0 1 1 2 2 2 3 3
       0 0 1 1 1 1 2 3
         0 1 1 ? 1 2 3
           0 1 1 1 2 2
             0 0 0 1 2
               0 0 1 1
                 0 0 1
                   0 0
                     0
  • Uvažujme RNA sekvenciu dĺžky 27, ktorá má v sekundárnej štruktúre spárované komplementárne bázy na pozíciách: (2,23), (3,22), (4,21), (5,13), (6,12), (8,16), (9,15), (10,14), (18,26) a (19,25). Koľko najmenej párov z tohto zoznamu musíme odstrániť, aby sme dostali štruktúru bez pseudouzlov? Ktoré páry to budú?
  • Uvažujme sekvenciu RNA ACUGAGUCCAAGG, ktorá má v sekundárnej štruktúre spárované bázy na pozíciách (1,7), (2,6), (3,5), (8,13) a (9,12). (Pozície číslujeme od 1.) (Táto RNA je uvedená ako príklad na strane 12 prednášky o RNA.) Ukážte akou postupnosťou pravidiel by sme ju mohli odvodiť v gramatike uvedenej nižšie tak, aby spárované bázy boli vždy vytvorené v jednom kroku odvodenia.
    • Gramatika: S->aSu|uSa|cSg|gSc|aS|cS|gS|uS|Sa|Sc|Sg|Su|SS|epsilon
    • Iný príklad gramatiky: S->aSu|uSa|cSg|gSc|TS|ST|SS|epsilon; T->aT|cT|gT|tT|epsilon

Populačná genetika

Polymorfizmus, SNP, alela, homozygot, heterozygot, rekombinácia, frekvencia polymorfizmu ako markovovský reťazec, náhodný genetický drift, väzbová nerovnováha (linkage disequilibrium), mapovanie asociácií, LD blok, subpopulácia.

  • Pre dvojice SNPov, ktorých tabuľky sú uvedené nižšie, určite, či môžeme štatisticky vylúčiť hypotézu, že sú v stave väzbovej rovnováhy (LE, linkage equilibrium) pri hladine významnosti p=0.05, resp. \chi ^{2}>3.841. Pre každú dvojicu spočítajte veličinu \chi ^{2}.
    Q   q              Q  q             Q  q
P  100 200          P 10  20         P  1  2
p  300 200          p 30  20         p  3  2

Ďalšie dôležité znalosti z cvičení pre informatikov

(iba informatická časť skúšky)

  • Pokročilejšie ukážky dynamického programovania (proteíny MS/MS, varianty zarovnávania sekvencií, varianty Nussinovovej algoritmu)
  • BLAST, MinHashing
  • Algoritmy pre použitie HMM (Viterbiho, dopredný)
  • Felsensteinov algoritmus
  • Celočíselné lineárne programovanie
  • EM algoritmus na hľadanie motívov

Ďalšie dôležité znalosti z cvičení pre biológov

(iba biologická časť skúšky)

  • Interpretácia dotplotov
  • Interpretácia fylogenetických stromov, bootstrap, zakorenenie
  • Interpretácia vizualizácií z UCSC genome browsera
  • Ukážky rôznych bioinformatických programov, súvis ich nastavení a výsledkov s pojmami z prednášky
  • Analýza nadreprezentácie, multiple testing correction, K-means clustering