Intr. à Biologia Computacional

Slides:



Advertisements
Apresentações semelhantes
Algoritmos em Grafos (Parte 2)
Advertisements

HASHING Katia Guimarães julho/2002
ALINHAMENTOS LOCAIS E SEMI-GLOBAIS
Katia S. Guimarães QUICKSORT Katia S. Guimarães
Grafos Introdução
CAMARA Portuguesa de Comercio no Brasil/Pará
Qualiti Courses :: Documento de Requisitos. {icc2, jmmn, mmc2, CIn-UFPE Equipe Ivan Cordeiro Cardim Julio Maravitch Maurício.
Complexidade de Computação Para avaliar a qualidade de um algoritmo usamos como critério o espaço e o tempo de execução. Ao.
Introdução à NP-completude
Backtracking Katia Guimarães.
QUE O DIGAM AS CONTABILISTAS!!
Projeto de Recursos Humanos Outubro 2011
Publicidade com banner
Programa de Cargos e Salários
Silogística Tudo o que os artistas fazem é arte.
Matrizes DEFINIÇÃO K corpo p,q números naturais
Aula prática 6 Vetores e Matrizes
Intr. à Biologia Computacional
Intr. à Biologia Computacional ALINHAMENTO DE SEQÜÊNCIAS.
Professora: Ana Cristina G. e Silva Natal-RN
Metodologia da Pesquisa em Ensino de Ciências I
FABER Cirurgia & Implantes.
Desenvolvimento de Jogos e Entretenimento Digital Oficina temática: Algoritmos e Programação Aula 8: Array Professores: Sandro Rigo Túlio Bender.
Bioinformática (Alinhamento de Seqüências)
ALINHAMENTOS LOCAIS E SEMI-GLOBAIS
Introdução à NP-completude Katia S. Guimarães
Algoritmos Gulosos em Grafos
Katia S. Guimarães Busca em Grafos Katia S. Guimarães
Abordagens para problemas NP-completos
Árvores Binárias e Encaminhamentos
Katia S. Guimarães Heaps Katia S. Guimarães
Remoção e Inserção em Heaps
Katia S. Guimarães Heapsort Katia S. Guimarães
Ferramentas de Planejamento
Metodologia Análise e Solução de Problemas
Outubro  Apresentar através de debates o perfil e papel dos Multiplicadores e Área de O & M / Processos.  Implantar.
MANUAIS NA EMPRESA
Alinhamento de Cadeias de DNA COMPARAÇÃO DE SEQÜÊNCIAS
Intr. à Biologia Computacional ALINHAMENTOS ÓTIMOS GLOBAIS.
Algoritmos e Heurísticas para Seqüenciamento de DNA
Linguagem de Programação II Parte VI Professora: Flávia Balbino da Costa.
Principais algoritmos de alinhamento de sequências genéticas
Alinhamentos Múltiplos
 O que são arrays:  estruturas de dados homogêneas  coleção de elementos do mesmo tipo referenciada por um nome comum  um array pode ser imaginado.
Alinhamento Global de Seqüências Katia Guimarães.
2.3. Composição quantitativa de soluções
Experimentos de Pirometalurgia
Prof. Ionildo José Sanches
Matemática Financeira Prof. Elisson de Andrade
01/07/ B 1. Atividades Preparatórias 2. Ofertas
Processamento de Imagens Visão Computacional Compressão
EAE516 - Mercados de Derivativos
Maria Augusta Constante Puget (Magu)
Física Setor A: Mecânica
Maria Augusta Constante Puget (Magu)
Análise de complexidade de algoritmos
ESTATÍSTICA POLÍCIA FEDERAL Prof. ARTHUR LIMA TRANSMISSÃO 16/08 ÀS 19H:
Profa. Andréia Adami Escola Superior de Agricultura “Luiz de Queiroz” Universidade de São Paulo LCE0211 – Estatística Geral Profa.
Goodies* * Goodies related to animals, plants and numbers…
Conteúdo: Introdução ao Java
Análise de Incertezas Através de Simulação Numérica
A Matemática do Incerto
Intr. à Biologia Computacional
Formação do Professor de Matemática em Educação Estatística
Formação do Professor de Matemática em Educação Estatística
Profa. Andreia Adami Escola Superior de Agricultura “Luiz de Queiroz” Universidade de São Paulo LCE0211 – Estatística Geral Profa.
ERM 110 – PROCESSO SAÚDE- DOENÇA: MODELOS DE
Prevenção de Futuros Sítios com Legados Ambientais
extremo baixo peso está associada múltiplos resultados adversos
A Santa das causas impossíveis
Transcrição da apresentação:

Intr. à Biologia Computacional Alinhamentos Locais

Alinhamento Local Dadas duas seqüências s e t, identificar o alinhamento de melhor score entre um substring de s e um substring de t. Este problema surge quando queremos identificar proteínas da mesma família (que têm funções similares). set/00 katia@cin.ufpe.br

Exemplo de domínios em proteínas ALINHAMENTO: EFSNHRDVVVDLQGWVTGNGKGLIYLTDPQIHSVD......QKVFTTNFGKRGIFYFFNNQHVECNEIC ERSRGRFLVCDLQGVG . . . . . . .KTMTDPAIHTLDP. . .YRFSLSQTNLGAEGFMFFF..AYHECNHLC ELSNKQMI VVD IQGVD. . . . . . .DLYTDPQIHTPD. . . ..GKGFGLGNLGKAGINKFI..TTHKCNAVC ELSNHELL I VD I QGVN. . . . . . .DFYTDPQIHTKS. ... .GEGFGEGNLGETGFHKFL..QTHKCNPVC EHSNHQLLI I D I QGVG. . . . . . .DHYTDPQIHTYD. .. ..GVGFGI GNLGQKGFEKFL..DTHKCNAIC ERSGHQLI VVDI QGVG. . . . . . . DLYTDPQIHTEK. .. ..GTDFGDGNLGVRGMALFF..YSHACNRIC EYTRGELLVLDLQGVG. . . . . . .ENLTDPSVIKPEVKQSRGMVFGPANLGEDAIRNFI..AKHHCNSCC set/00 katia@cin.ufpe.br

Alinhamento Local Para obtermos o efeito do alinhamento local, usaremos o mesmo algoritmo que foi usado para alinhamento global, com algumas alterações. set/00 katia@cin.ufpe.br

Alinhamentos Locais Ainda teremos uma matriz (m+1)  (n+1) mas cada entrada (i, j) vai conter o maior score de um alinhamento entre um sufixo de s[1..i] e um sufixo de t[1..j]. Para isso, a primeira linha e a primeira coluna vão ser inicializadas com zeros. set/00 katia@cin.ufpe.br

Observação Para qualquer entrada (i, j) há sempre o alinhamento entre os sufixos vazios de s[1..i] e de t[1..j], que tem score zero. Portanto, este array terá todas as entradas maiores ou iguais a zero. set/00 katia@cin.ufpe.br

Usaremos ainda Programação Dinâmica M (i, j) = max M (i, j-1) - 2 (último passo = I) M (i-1, j-1) + p(i,j) (último passo = S/M) M (i-1, j) - 2 (último passo =R) 0 (alinhamento vazio) set/00 katia@cin.ufpe.br

No final ... Encontrar a maior entrada em todo o array. Este será o score de um alinhamento local ótimo. O alinhamento é obtido a partir dali, seguindo de volta, e parando quando não houver aresta saindo (ou seja, onde o score for zero). set/00 katia@cin.ufpe.br

Alinhamento Local - Exemplo  C A G C A C T C A T  0 0 0 0 0 0 0 0 0 0 0 T 0 0 0 0 0 0 0 1 0 0 1 C 0 1 0 0 1 0 1 0 2 0 0 C 0 1 0 0 1 0 1 0 1 1 0 A 0 0 2 0 0 2 0 0 0 2 0 G 0 0 0 3 1 0 1 0 0 0 1 C 0 1 0 1 4 2 1 0 1 0 0 T 0 0 0 0 2 3 1 2 0 0 1 C 0 1 0 0 1 1 4 2 3 1 0 G 0 0 0 1 0 0 2 3 1 2 0 set/00 katia@cin.ufpe.br

Alinhamento Local - Exemplo  C A G C A C T C A T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . : G 0 0 0 3 1 0 1 0 0 0 1 C 0 1 0 1 4 2 1 0 1 0 0 T 0 0 0 0 2 3 1 2 0 0 1 C 0 1 0 0 1 1 4 2 3 1 0 G 0 0 0 1 0 0 2 3 1 2 0 CAGCACTCAT TCCAGCTCG - set/00 katia@cin.ufpe.br

Alinhamento Local - Exemplo  C A G C A C T C A T  . . . T 0 0 . . . CAGCACTCAT C 0 1 0 . . . TCCAGCTCG C 0 1 0 0 . . . A 0 0 2 0 0 2 0 0 0 2 0 G 0 0 0 3 1 0 1 0 0 0 1 C 0 1 0 1 4 2 1 0 1 0 0 T 0 0 0 0 2 3 1 2 0 0 1 C 0 1 0 0 1 1 4 2 3 1 0 G 0 0 0 1 0 0 2 3 1 2 0 set/00 katia@cin.ufpe.br