1.3 基本的生物知识介绍第二章 : 生物数据管理技术 (4 学时 ) 2.1 蛋白质 / 基因序列数据库 2.2 蛋白质 / 基因结构数据库 2.3 蛋白质 / 基因知识库第三章 : 序列分析技术 (4 学时 ) 3.1 序列分析的数学问题 3.2 序列数据搜索 3.3 序列对比对 3.4 多序列

Size: px

Start display at page:

Download "1.3 基本的生物知识介绍第二章 : 生物数据管理技术 (4 学时 ) 2.1 蛋白质 / 基因序列数据库 2.2 蛋白质 / 基因结构数据库 2.3 蛋白质 / 基因知识库第三章 : 序列分析技术 (4 学时 ) 3.1 序列分析的数学问题 3.2 序列数据搜索 3.3 序列对比对 3.4 多序列"

允满
5 years ago
Views:

1 天津大学生物信息学导论课程教学大纲课程代码 : 课程名称 : 生物信息学导论学时 : 16 学分 : 1 学时分配 : 授课 :16 上机 : 实验 : 实践 : 实践 ( 周 ): 授课学院 : 计算机科学与技术学院适用专业 : 计算机科学与技术先修课程 : 算法设计与分析机器学习技术一. 课程的性质与目的课程内容主要介绍生物信息数据的管理方法和分析技术以常用生物信息学数据库为例介绍序列数据结构化数据及生物学知识的存储和管理方法 ; 以现有的生物信息学分析工具为例, 介绍序列数据搜索与比对技术蛋白质 / 基因二级 / 三级结构预测技术蛋白质 / 基因相互作用网络建模及网络查询技术目的是通过课程的学习, 使得学生能够掌握基本的生物信息学知识, 提高学生运用所学知识解决实际问题的能力二. 教学基本要求生物信息学是一门综合计算机科学信息技术和数学的理论和方法来研究生物信息的交叉学科包括生物学数据的研究存档显示处理和模拟, 基因遗传和物理图谱的处理, 核苷酸和氨基酸序列分析, 新基因的发现和蛋白质结构的预测等课程主要讲述生物信息中序列数据结构化数据及生物学知识的存储和管理技术, 介绍序列数据的搜索及比对技术蛋白质 / 基因二级 / 三级结构预测技术蛋白质 / 基因相互作用网络建模及网络查询技术三. 教学内容第一章 : 生物信息学简介 (2 学时 ) 1.1 生物信息学的基本概念 1.2 生物学的研究对象发展历史及研究意义

2 1.3 基本的生物知识介绍第二章 : 生物数据管理技术 (4 学时 ) 2.1 蛋白质 / 基因序列数据库 2.2 蛋白质 / 基因结构数据库 2.3 蛋白质 / 基因知识库第三章 : 序列分析技术 (4 学时 ) 3.1 序列分析的数学问题 3.2 序列数据搜索 3.3 序列对比对 3.4 多序列比对第四章 : 结构预测技术 (4 学时 ) 4.1 结构预测的数学问题 4.2 DNA/RNA 二级结构预测 4.3 蛋白质二级结构预测 4.4 蛋白质三级结构预测第五章 : 相互作用网络建模技术 (4 学时 ) 5.1 基因相互作用网络建模 5.2 基因调控网络建模 5.3 蛋白质相互作用网络建模第六章 : 相互作用网络分析技术 (2 学时 ) 6.1 相互作用网络分析的数学基础 6.2 相互作用网络行为分析 6.3 跨物种相互作用网络查询四. 学时分配教学内容授课上机实验实践生物信息学简介 2 实践 ( 周 ) 生物数据管理技术 2 序列分析技术 2

3 结构预测技术 2 相互作用网络建模技术 4 相互作用网络分析技术 4 总计 : 16 五. 评价与考核方式 (1) 出席作业 : 20% (2) 项目报告 : 80% 六. 教材与主要参考资料教材 :W.Mount, D. (2004). Bioinformatics: Sequence and Genome Analysis (2nd ed., p. 692). Cold Spring Harbor Laboratory Press; 参考资料 : Barrett, S. J., & Langdon, W. B. (2005). Advances in the Application of Machine Learning Techniques in Drug Discovery, Design and Development. Machine Learning. Efron, B., & Tibshirani, R. (2007). On testing the significance of sets of genes. Ann. Appl. Stat., 1(1), Retrieved from &view=body&content-type=pdfview_1 Gough, J. (2006). Genomic scale sub-family assignment of protein domains. Nucleic Acids Research, 34(13), doi: /nar/gkl484 Larran, P., & Saeys, Y. (2007). Gene expression A review of feature selection techniques in bioinformatics. Bioinformatics, 23(19), doi: /bioinformatics/btm344 Troyanskaya, O. G., Dolinski, K., Owen, A. B., Altman, R. B., & Botstein, D. (2003). A Bayesian framework for combining heterogeneous data sources for gene function prediction (in Saccharomyces cerevisiae). Proceedings of the National

4 Academy of Sciences of the United States of America, 100(14), doi: /pnas Vogl, C., Stocker, G., Hubbard, S., Wolkenhauer, O., & Trajanoski, Z. (2005). A fully Bayesian model to cluster gene-expression profiles. Bioinformatics, 21, doi: /bioinformatics/bti1122 制定人 : 审核人 : 批准人 : 批准日期 : 年月日

5 TU Syllabus for Introduction to Bioinformatics Code: Title: Introduction to Bioinformatics Semester Hours: 16 Credits: 1 Semester Hour Lecture: 16 Computer Lab: Experiment: Practice: Structure Practice (Week): Offered by: School of Computer Science and Technology for: Computer Science and Technology Prerequisite: Algorithm, machine learning 1. Objective After the course, students should have basic biological knowledge and learn the analysis skills of biological data including data storage and management, sequence alignments, structure predictions and interaction network building. Also students should always keep in mind that any computational solutions for biological problems have solid theories for them. 2. Course Description Bioinformatics is the application of computer science and information technology to the field of biology and medicine. Bioinformatics deals with algorithms, databases and information systems, web technologies, artificial intelligence and soft computing, information and computation theory, software engineering, data mining, image processing, modeling and simulation, signal processing, discrete mathematics, control and system theory, circuit theory, and statistics, for generating new knowledge of biology and medicine, and improving & discovering new models of computation. This course mainly addresses management methodologies and analysis technologies for biology data and knowledge. Specifically, we will introduce the storage and management technologies for sequence data, structured data and biological knowledge through examples of current available biological databases, analysis technologies for sequence alignments, protein/gene secondary structure predictions and protein interaction network constructions. 3. Topics

6 Chapter 1: overviews of bioinformatics 1.1 Basic concepts of Bioinformatics 1.2 Historical view for bioinformatics 1.3 Basic Biology knowledge Chapter 2: Technologies for biological data 2.1 Protein/Gene Sequence databases 2.2 Protein/Gene structure databases 2.3 Protein/Gene knowledgebase Chapter 3: Sequence analysis 3.1 Mathematics problems for sequence analysis 3.2 Sequence search 3.3 Two sequence alignments 3.4 Multiple sequence alignments Chapter 4: Structure predictions 4.1 Mathematics problems for structure predictions 4.2 DNA/RNA secondary structure predictions 4.3 Protein secondary structure predictions 4.4 Protein tertiary structure predictions Chapter 5: Interaction network modeling 5.1 Gene to gene interaction networks 5.2 Gene regulatory networks 5.3 Protein to protein interaction networks Chapter 6: Topological analysis for interaction networks 6.1 Topological analysis 6.2 Behaivor analysis of interaction networks 6.3 Network query 4. Semester Hour Structure

7 Topics Lecture Computer Lab. Experiment Practice Practice (Week) overviews of bioinformatics 2 Technologies for biological data 2 Sequence analysis 2 Structure predictions 2 Topological analysis for interaction networks 4 Topological model for interaction networks 4 Sum: Grading (1) Attendance & Project and assignment: 20% (2) Final report: 80% 6. Text-Book & Additional Readings Text Book:W.Mount, D. (2004). Bioinformatics: Sequence and Genome Analysis (2nd ed., p. 692). Cold Spring Harbor Laboratory Press; Additional Readings: Barrett, S. J., & Langdon, W. B. (2005). Advances in the Application of Machine Learning Techniques in Drug Discovery, Design and Development. Machine Learning. Efron, B., & Tibshirani, R. (2007). On testing the significance of sets of genes. Ann. Appl. Stat., 1(1), Retrieved from &view=body&content-type=pdfview_1

8 Gough, J. (2006). Genomic scale sub-family assignment of protein domains. Nucleic Acids Research, 34(13), doi: /nar/gkl484 Larran, P., & Saeys, Y. (2007). Gene expression A review of feature selection techniques in bioinformatics. Bioinformatics, 23(19), doi: /bioinformatics/btm344 Troyanskaya, O. G., Dolinski, K., Owen, A. B., Altman, R. B., & Botstein, D. (2003). A Bayesian framework for combining heterogeneous data sources for gene function prediction (in Saccharomyces cerevisiae). Proceedings of the National Academy of Sciences of the United States of America, 100(14), doi: /pnas Vogl, C., Stocker, G., Hubbard, S., Wolkenhauer, O., & Trajanoski, Z. (2005). A fully Bayesian model to cluster gene-expression profiles. Bioinformatics, 21, doi: /bioinformatics/bti1122 Constitutor: Reviewer: Authorizor: Date:

什么是 Servlet 技术 Servlet 与 JSP 的联系与区别实例介绍了解 Servlet 技术的特点和应用领域, 以及与 JSP 的联系与区别 4.EJB 技术 EJB 技术基础 EJB 基本环境的建立实例介绍了解 EJB 技术的特点和应用领域, 熟悉 EJB 应用的部署和维护 5.S

什么是 Servlet 技术 Servlet 与 JSP 的联系与区别实例介绍了解 Servlet 技术的特点和应用领域, 以及与 JSP 的联系与区别 4.EJB 技术 EJB 技术基础 EJB 基本环境的建立实例介绍了解 EJB 技术的特点和应用领域, 熟悉 EJB 应用的部署和维护 5.S 天津大学 Web 开发技术课程教学大纲课程代码 : 2160252 课程名称 : Web 开发技术学时 : 32 学分 : 1.5 学时分配 : 授课 : 16 上机 : 16 实验 : 实践 : 实践 ( 周 ): 授课学院 : 计算机科学与技术学院适用专业 : 计算机科学与技术先修课程 : Java 语言, 数据结构一. 课程的性质与目的 Web 开发技术是计算机科学与技术专业的一门专业选修课