Υπολογιστική Βιολογία

• Εισαγωγή στους Αλγορίθμους Βιοπληροφορικής: Τι είναι ένας αλγόριθμος βιοπληροφορικής; Αναπαράσταση βιολογικών δεδομένων ως συμβολοσειρές.Βασικές αλγοριθμικές έννοιες: πολυπλοκότητα, αποδοτικότητα, ορθότητα.
• Κατηγορίες Αλγορίθμων: Εξαντλητικοί (Brute-force), Άπληστοι (Greedy), Διαίρει και Βασίλευε (Divide and Conquer).
• Αναγνώριση Κωδικών Περιοχών (Gene Prediction): Μοντέλα όπως Νευρωνικά Δίκτυα, ORF detection. Εκπαίδευση και αξιολόγηση μοντέλων. Σύγκριση αλγορίθμων πρόβλεψης.
• Αναγνώριση Μοτίβων Πρόσδεσης Μεταγραφικών Παραγόντων: Αναπαράσταση μοτίβων, Position Weight Matrices (PWMs), consensus sequences. Αλγόριθμοι Εύρεσης Μοτίβων: Exhaustive search. Expectation Maximization. Scanning γονιδιωματικών περιοχών με motif scoring.
• Χαρτογράφηση DNA μέσω μερικής πέψης
• Μεταθέσεις και Γονιδιωματικές Αναδιατάξεις: Συναρμογή γονιδιωμάτων (genome rearrangement problem).
• Προγραμματιστική Υλοποίηση και Μελέτη Περίπτωσης: Υλοποίηση motif discovery, Σχεδιασμός απλού gene predictor.

Με το πέρας των μαθημάτων οι φοιτήτριες και οι φοιτητές:

• Θα είναι εξοικειωμένοι με το λογισμικό και τους αλγορίθμους που χρησιμοποιούνται στην Υπολογιστική Βιολογία

• Θα έχουν κατανοήσει τη χρησιμότητα της Υπολογιστικής Βιολογίας στην διαχείριση, επεξεργασία και ανάλυση γενωμικών δεδομένων

• Θα έχουν αποκτήσει τις κατάλληλες γνώσεις και την εμπειρία έτσι ώστε να μπορούν να συνεισφέρουν επιστημονικά στον τομέα της Υπολογιστικής Βιολογίας.

• ΕΙΣΑΓΩΓΗ ΣΤΟΥΣ ΑΛΓΟΡΙΘΜΟΥΣ ΒΙΟΠΛΗΡΟΦΟΡΙΚΗΣ, NEIL C. JONES, PAVEL A. PEVZNER, ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ, 1η/2010, ΑΘΗΝΑ