Biologia Genomów

ogólnouniwersyteckie

Podstawowa znajomość języka programowania Python, znajomość statystyki i podstaw bioinformatyki, posiadanie własnego laptopa (z zainstalowanym systemem operacyjnym Linux, oraz python 2.7 wraz z modułami matplotlib, nympy, scipy; Chimera - oprogramowanie do wizualizacji biomolekularnych http://www.cgl.ucsf.edu/chimera/; i Gromacs - oprogramowanie do przeprowadzania symulacji biomolekularnych);

Wymagana jest znajomość podstaw biologii i umiejętność programowania w języku python, oraz podstawy statystyki, bioinformatyki, biofizyki. Mile widziane podstawy uczenia maszynowego i obliczeń poznawczych (deep learning);

w sali

Wykład poświęcony będzie biologii genomów, tj. nowym paradygmacie biologii molekularnej skupiającym się na analizie multi-omicznych danych biologicznych w celu zrozumienia mechanizmów ewolucyjnych. Wychodząc od podstawowych pojęć z bioinformatyki (sekwencja, struktura, funkcja białek i ich kompleksów z innymi białkami, RNA lub DNA) postaramy się przyjrzeć danym biologicznym w skali pełno-genomowej, w tym różnym bazom biologicznym oraz bioinformatycznym serwisom internetowym udostępnianym publicznie. Dokonamy przeglądu danych i osiągnięć wielkoskalowych projektów genomicznych oraz zapoznamy się z systemowymi modelami sterowania procesami biofizycznymi w komórce przez sekwencję i strukturę DNA, oraz czynniki regulacyjne.

Genom jest często postrzegany jako prosta, liniowa sekwencja DNA używana do cyfrowego zapisu informacji biologicznej przez organizmy żywe. Okazuje się jednak, że struktura przestrzenna genomu ma duże znaczenie dla jego funkcji biologicznej. W przypadku genomu ludzkiego wiemy, że geny znajdujące się blisko siebie są jednocześnie albo wszystkie "włączone", albo wszystkie "wyłączone". Często zdarza się także, że geny znajdujące się w zupełnie innych miejscach na chromosomie zbliżają się do siebie aby móc wspólnie "działać". W ostatnich latach opracowano eksperymentalne metody, które pozwalają na poznanie struktury trójwymiarowej chromatyny i jej dynamiki. Na podstawie tych danych możliwe jest odtworzenie wyższej formy organizacji przestrzennej chromosomów w jądrze komórkowym.

Celem ćwiczeń praktycznych jest zapoznanie uczestników z analiza danych genomicznych w dużej skali, jak również podstawowymi metodami rekonstrukcji struktury 3D chromosomów. Uczestnicy przeprowadzą kompleksową analizę rzeczywistych danych biologicznych przy użyciu baz publicznych, oraz samodzielnie – przy użyciu programowania w języku python. Następnie dokonają wizualizacji wyników swoich poszukiwań, próbując wyrobić sobie intuicje dotyczące natury wielkoskalowych danych genomicznych. Zaproponują własny model rekonstrukcji strukturalnej i spróbują samodzielnie wymodelować własne struktury (np. dynamika molekularna, mechanika molekularna, metody monte carlo), oraz powiązać funkcję biologiczną z cechami strukturalnymi.

Zagadnienia poruszane w toku zajęć:

- Źródła danych biologicznych – eksperymenty 3C, Hi-C, ChIA-PET

- Hierarchiczna struktura danych i wieloskalowość procesu modelowania

- Sposoby rekonstrukcji struktur 3D z heatmap: Multidimensional scaling, Molecular Dynamics, Monte Carlo

- Pola Siłowe dla chromatyny

- Metody porównywania struktur 3D

- Symulacja komputerowe, a dane doświadczalne

- Modyfikacje DNA i białek histonowych oraz ich wpływ na funkcję i strukturę genomu

- Wizualizacja danych genomicznych

Nakład pracy studenta:

- wykład - 30 godzin

- przygotowanie projektu studenckiego i jego prezentacja - 30 godzin

razem 60 godzin

Celem ćwiczeń praktycznych jest zapoznanie uczestników z analiza danych genomicznych w dużej skali, jak również podstawowymi metodami rekonstrukcji struktury 3D chromosomów. Uczestnicy przeprowadzą kompleksową analizę rzeczywistych danych biologicznych przy użyciu baz publicznych, oraz samodzielnie – przy użyciu programowania w języku python. Następnie dokonają wizualizacji wyników swoich poszukiwań, próbując wyrobić sobie intuicje dotyczące natury wielkoskalowych danych genomicznych. Zaproponują własny model rekonstrukcji strukturalnej i spróbują samodzielnie wymodelować własne struktury (np. dynamika molekularna, mechanika molekularna, metody monte carlo), oraz powiązać funkcję biologiczną z cechami strukturalnymi.

Zagadnienia poruszane w toku zajęć:

- Źródła danych biologicznych – eksperymenty 3C, Hi-C, ChIA-PET

- Hierarchiczna struktura danych i wieloskalowość procesu modelowania

- Sposoby rekonstrukcji struktur 3D z heatmap: Multidimensional scaling, Molecular Dynamics, Monte Carlo

- Pola Siłowe dla chromatyny

- Metody porównywania struktur 3D

- Symulacja komputerowe, a dane doświadczalne

- Modyfikacje DNA i białek histonowych oraz ich wpływ na funkcję i strukturę genomu

- Wizualizacja danych genomicznych

Nakład pracy studenta:

- wykład - 30 godzin

- przygotowanie projektu studenckiego i jego prezentacja - 30 godzin

razem 60 godzin

Współczesna literatura z tej dziedziny, w tym czasopisma naukowe i dane oraz informacje dostępne w Internecie.

Szczegóły przedstawia prowadzący na pierwszych zajęciach.

Wybrane propozycje wstępne:

Biologia genomów:

●T.A. Brown, "Genomy", Wydawnictwo Naukowe PWN, 2013

●Cremer et al. The 4D nucleome: Evidence for a dynamic nuclear landscape based on co-aligned active and inactive nuclearcompartments. FEBS Lett. 2015 Oct 7;589(20 Pt A):2931-43

●Ozer G, Luque A, Schlick T. The chromatin fiber: multiscale problems and approaches. Curr Opin Struct Biol. 2015 Apr;31:124-39.

Modelowanie molekularne:

●D.W.Heermann, Podstawy symulacji komputerowych w fizyce, WNT, Warszawa, 1997.

Zagadnienia bioinformatyki:

●Higgs Paul G., Attword Teresa K., "Bioinformatyka i ewolucja molekularna", Warszawa, 2016, Wydawnictwo Naukowe PWN

Metody analizy statystycznej danych:

●Łomnicki A. 2003. Wprowadzenie do statystyki dla przyrodników. Wydawnictwo Naukowe PWN.

●Shahbaba B. 2012. Biostatistics with R. An Introduction to Statistics Through Biological Data. Seria: Use R!. Springer.

●Dalgaard P. 2008. Introductory statistics with R. Springer Science+Business Media LLC, New York.

●Łomnicki A. 2010. Wprowadzenie do statystyki dla przyrodników. Wydawnictwo Naukowe PWN, Warszawa.

●T. J. Hastie, R. J. Tibshirani, J. Friedman, The Elements of Statistical Learning, Springer 2001.

●R. Gentleman, V. Carey, W. Huber, R. Irizarry, Bioinformatics and Computational Biology Solutions Using R and Bioconductor, Springer; 1 edition (August 31, 2005).

●T. Speed, Statistical analysis of gene expression data, Chapman & Hall/CRC, March 26, 2003. Zagadnienia obrazowania:

●R. Gonzalez, R. Woods, Digital Image Processing, Prentice Hall, 2002.

Po ukończeniu przedmiotu student:

Wiedza:

- orientuje się w podstawach wybranych zagadnień: a) biologii genomów, b) proteomiki nuklearnej, c) biologii systemowej (modele procesów biologicznych, analiza sieci metabolicznych i sygnałowych w kontekście jądrowym), d) ma ugrunowaną wiedzę bioinformatyczną, e) potrafi analizować wyniki obrazowania mikroskopowego na poziomie komórkowym i jądrowym, f) ma znajomość metod statystycznych, organizacji wiedzy genomicznej i jej analizy, oraz g) zdobył umiejętność modelowania struktury trójwymiarowej chromatyny.

– analizuje dane wielkoskalowe (biologiczne, genomiczne, strukturalne)

– rozpoznaje i poprawnie posługuje się metodami uczenia maszynowego w kontekście modelowania procesów biologicznych i genomicznych

– identyfikuje i wyjaśnia procesy biologiczne zachodzące w układach żywych

umiejętności społeczne i interpersonalne:

- prezentuje wyniki badań opublikowanych i własnych

- umie nawiązać współpracę w grupie interdyscyplinarnej

- wykonanie i przedstawienie projektu indywidualnego,

- wykonanie prezentacji wybranej publikacji, ocena prezentacji, stopnia zrozumienia problemu,

- obecność na zajęciach (zarówno wykłady jak i ćwiczenia),

- aktywność podczas zajęć

Analiza sekwencji i struktury genomu ludzkiego