Computerbiologie

Diese Zeitleiste zeigt den Fortschritt von Jahr zu Jahr des Humangenomprojekt Im Kontext der Genetik seit 1865. ab 1990 war Chromosom 22 bis 1999 das erste menschliche Chromosom, das vollständig sequenziert wurde.

Computerbiologie bezieht sich auf die Verwendung von Datenanalyse, mathematische Modellierung und Computersimulationen biologische Systeme und Beziehungen zu verstehen.[1] Eine Kreuzung von Informatik, Biologie, und Große DatenDas Feld hat auch Fundamente in angewandte Mathematik, Chemie, und Genetik.[2] Es unterscheidet sich von Biologisches Computerein Unterfeld von Technische Informatik was verwendet Biotechnik bauen Computers.

Geschichte

BioinformatikDie Analyse von Informatikprozessen in biologischen Systemen begann Anfang der 1970er Jahre. Zu diesem Zeitpunkt Forschung in künstliche Intelligenz Verwendete Netzwerkmodelle des menschlichen Gehirns, um neue zu generieren Algorithmen. Diese Verwendung biologischer Daten drängte biologische Forscher, Computer zu verwenden, um große Datensätze in ihrem eigenen Bereich zu bewerten und zu vergleichen.[3]

Bis 1982 teilten die Forscher Informationen über Lochkarten. Die Datenmenge wuchs bis Ende der 1980er Jahre exponentiell und erforderte neue Berechnungsmethoden für die schnelle Interpretation relevanter Informationen.[3]

Vielleicht das bekannteste Beispiel für die Computerbiologie, die HumangenomprojektOffiziell begann 1990.[4] Bis 2003 hatte das Projekt rund 85% des menschlichen Genoms kartiert und seine anfänglichen Ziele erfüllt.[5] Die Arbeiten wurden jedoch fortgesetzt, und bis 2021 wurde das "vollständige Genom" mit nur 0,3% verbleibenden Grundlagen erreicht, die von potenziellen Problemen abgedeckt wurden.[6][7] Das fehlende Y -Chromosom wurde im Januar 2022 hinzugefügt.

Seit Ende der neunziger Jahre ist die Computerbiologie zu einem wichtigen Bestandteil der Biologie geworden, was zu zahlreichen Unterfeldern führt.[8] Heute, den Internationale Gesellschaft für Computerbiologie erkennt 21 verschiedene „Gemeinschaften von besonderem Interesse“ an, die jeweils ein Stück des größeren Feldes darstellen.[9] Die Computerbiologie hilft nicht nur zur Abfolge des menschlichen Genoms, sondern hat auch dazu beigetragen, genaue Modelle des menschlichen Gehirns zu erstellen. Kartieren Sie die 3D -Struktur von Genomenund modellbiologische Systeme.[3]

Anwendungen

Anatomie

Hauptartikel: Computeranatomie

Rechenanatomie ist das Untersuchung der anatomischen Form und Form des sichtbaren oder Brutto anatomisch Maßstab Morphologie. Es beinhaltet die Entwicklung von rechnerischen, mathematischen und datenanalytischen Methoden zur Modellierung und Simulation biologischer Strukturen. Es konzentriert sich eher auf die abgebildeten anatomischen Strukturen als auf die medizinischen Bildgebungsgeräte. Aufgrund der Verfügbarkeit dichter 3D -Messungen über Technologien wie z. Magnetresonanztomographie, rechnerische Anatomie hat sich als Unterfeld von herausgebildet medizinische Bildgebung und Biotechnik zum Extrahieren anatomischer Koordinatensysteme auf der Morphem -Skala in 3D.

Die ursprüngliche Formulierung der Rechenanatomie ist als generatives Form- und Formmodell aus Exemplaren, die über Transformationen reagieren.[10] Das Diffeomorphismus Gruppe wird verwendet, um verschiedene Koordinatensysteme über zu untersuchen Koordinate Transformationen wie über die generiert Lagrange- und Eulerianische Geschwindigkeit des Flusses von einer anatomischen Konfiguration in zum anderen. Es bezieht sich auf Formstatistik und Morphometriemit der Unterscheidung, dass Diffeomorphismen werden verwendet, um Koordinatensysteme zu kartieren, deren Studie als Diffeomorphometrie bezeichnet wird.

Daten und Modellierung

Hauptartikel: Bioinformatik

Die mathematische Biologie ist die Verwendung mathematischer Modelle lebender Organismen, um die Systeme zu untersuchen, die Struktur, Entwicklung und Verhalten bestimmen in Biologische Systeme. Dies beinhaltet einen theoretischeren Ansatz für Probleme und nicht als sein empirisch verstandenes Gegenstück von Experimentelle Biologie.[11] Die mathematische Biologie stützt sich auf Diskrete Mathematik, Topologie (auch nützlich für die Computermodellierung), Bayes'sche Statistik, Lineare Algebra und boolsche Algebra.[12]

Diese mathematischen Ansätze haben die Schaffung von ermöglicht Datenbanken und andere Methoden zum Speichern, Abrufen und Analysieren biologischer Daten, ein Feld bekannt als Bioinformatik. Normalerweise beinhaltet dieser Prozess Genetik und Analyse Gene.

Das Sammeln und Analysieren großer Datensätze hat Platz für den Anbau von Forschungsfeldern wie zum Beispiel gemacht Data Mining,[12] und rechnerische Biomodellierung, die sich auf den Gebäude bezieht Computermodelle und visuelle Simulationen biologischer Systeme. Auf diese Weise können Forscher vorhergesagt, wie solche Systeme auf verschiedene Umgebungen reagieren, um zu bestimmen, ob ein System "ihren Zustand und Funktionen gegen externe und interne Störungen aufrechterhalten kann".[13] Während sich die aktuellen Techniken auf kleine biologische Systeme konzentrieren, arbeiten Forscher an Ansätzen, die es ermöglichen, größere Netzwerke zu analysieren und zu modellieren. Die Mehrheit der Forscher ist der Ansicht, dass dies für die Entwicklung moderner medizinischer Ansätze zur Schaffung neuer Arzneimittel und Gentherapie von wesentlicher Bedeutung sein wird.[13] Ein nützlicher Modellierungsansatz ist die Verwendung Petri Nets über Tools wie Esyn.[14]

In ähnlicher Weise bis in die letzten Jahrzehnte Theoretische Ökologie hat weitgehend behandelt analytisch Modelle, die von der abgelöst wurden Statistische Modelle benutzt von empirisch Ökologen. Berechnungsmethoden haben jedoch bei der Entwicklung der ökologischen Theorie über unterstützt Simulation von ökologischen Systemen neben der zunehmenden Anwendung von Methoden aus Computerstatistik in ökologischen Analysen.

Systembiologie

Hauptartikel: Systembiologie

Die Systembiologie besteht darin, die Wechselwirkungen zwischen verschiedenen biologischen Systemen zu berechnen, die von zellulärer Ebene bis zu ganzen Populationen reichen, um aufkommende Eigenschaften zu entdecken. Dieser Prozess beinhaltet normalerweise das Netzwerk Zellsignalisierung und Stoffwechselwege. Systembiologie verwendet häufig Berechnungstechniken aus der biologischen Modellierung und Graphentheorie diese komplexen Wechselwirkungen auf zellulären Ebenen zu untersuchen.[12]

Evolutionsbiologie

Hauptartikel: Evolutionsbiologie

Computerbiologie hat die Evolutionsbiologie unterstützt von:

Genomik

Ein teilweise sequenziertes Genom.
Hauptartikel: Computergenomik

Computational Genomics ist die Untersuchung der Genome von Zellen und Organismen. Das Humangenomprojekt ist ein Beispiel für die Computergenomik. Dieses Projekt versucht, das gesamte menschliche Genom in eine Reihe von Daten zu unterziehen. Nach vollständiger Umsetzung könnte dies die Ärzte ermöglichen, das Genom eines einzelnen Patienten zu analysieren.[16] Dies eröffnet die Möglichkeit einer personalisierten Medizin und verschreibt Behandlungen auf der Grundlage der bereits bestehenden genetischen Muster eines Individuums. Die Forscher versuchen, die Genome von Tieren, Pflanzen, Bakterien und allen anderen Arten des Lebens zu sequenzieren.[17]

Eine der Hauptmethoden, die Genome verglichen werden, ist durch Sequenzhomologie. Die Homologie ist die Untersuchung biologischer Strukturen und Nukleotidsequenzen in verschiedenen Organismen, die aus einem gemeinsamen Vorfahren stammen. Untersuchungen legen nahe, dass zwischen 80 und 90% der Gene in neu sequenzierten prokaryotischen Genomen auf diese Weise identifiziert werden können.[17]

Sequenzausrichtung ist ein weiterer Prozess zum Vergleich und Erfassen von Ähnlichkeiten zwischen biologischen Sequenzen oder Genen. Die Sequenzausrichtung ist in einer Reihe von Bioinformatikanwendungen nützlich, z. B. die Berechnung der längste gemeinsame Subsequenz von zwei Genen oder Vergleich von Varianten bestimmter Krankheiten.[18]

Ein unberührtes Projekt in der Computergenomik ist die Analyse intergener Regionen, die ungefähr 97% des menschlichen Genoms ausmacht.[17] Forscher arbeiten daran, die Funktionen von Nichtkodierregionen des menschlichen Genoms durch die Entwicklung von rechnerischen und statistischen Methoden und über große Konsortienprojekte wie z. KODIEREN und die Roadmap -Epigenomics -Projekt.

Verstehen, wie individuell Gene Beitrag zur Biologie eines Organismus am Molekular, zellulärund Organismus wird bekannt als als Gen-Ontologie. Das Gen -Ontologie -KonsortiumDie Mission ist es, ein aktuelles, umfassendes, rechtzeitiges Modell von zu entwickeln Biologische Systeme, von der molekularen Ebene bis zu größeren Wegen, zellulären und organismischen Systemen. Die Gen -Ontologie -Ressource liefert eine rechnerische Darstellung aktueller wissenschaftlicher Wissen über die Funktionen von Genen (oder genauer gesagt die Protein und Nichtkodierung RNA Moleküle, die von Genen produziert werden) aus vielen verschiedenen Organismen, von Menschen bis zu Bakterien.[19]

3D -Genomik ist ein Unterabschnitt in der Computerbiologie, der sich auf die Organisation und Interaktion von Genen innerhalb von a konzentriert Eukaryotische Zelle. Eine Methode zum Sammeln von 3D -Genomdaten ist durch Genomarchitekturzuordnung (GAM). GAM misst 3D -Entfernungen von Chromatin und DNA im Genom durch Kombination kryosionierend, Der Prozess des Schneidens eines Streifens aus dem Kern, um die DNA mit Lasermikrodissektion zu untersuchen. Ein nukleares Profil ist einfach dieser Streifen oder Scheiben, das aus dem Kern entnommen wird. Jedes Kernprofil enthält genomische Fenster, die bestimmte Sequenzen von sind Nukleotide - Die Basiseinheit der DNA. GAM erfasst ein Genomnetzwerk komplexer Multi -Enhancer -Chromatin -Kontakte in einer Zelle.[20]

Neurowissenschaften

Hauptartikel: Rechenneurowissenschaften

Die Computerneurowissenschaft ist die Untersuchung der Gehirnfunktion in Bezug auf die Informationsverarbeitungseigenschaften des nervöses System. Eine Untergruppe von Neurowissenschaften soll das Gehirn modellieren, um spezifische Aspekte des neurologischen Systems zu untersuchen.[21] Zu den Modellen des Gehirns gehören:

  • Realistische Hirnmodelle: Diese Modelle versuchen, jeden Aspekt des Gehirns darzustellen, einschließlich möglicher Details auf zellulärer Ebene wie möglich. Realistische Modelle liefern die meisten Informationen über das Gehirn, haben aber auch den größten Fehlerrand. Weitere Variablen in einem Gehirnmodell erzeugen die Möglichkeit, dass mehr Fehler auftreten. Diese Modelle berücksichtigen nicht Teile der Zellstruktur, über die Wissenschaftler nichts wissen. Realistische Gehirnmodelle sind die rechenintensivsten und teuersten zu implementierten.[22]
  • Vereinfachung von Gehirnmodellen: Diese Modelle beschränken den Umfang eines Modells, um eine spezifische physikalische Eigenschaft des neurologischen Systems zu bewerten. Dies ermöglicht die Lösung der intensiven Rechenprobleme und verringert den potenziellen Fehler eines realistischen Gehirnmodells.[22]

Es ist die Arbeit von Computer -Neurowissenschaftlern, die zu verbessern Algorithmen und Datenstrukturen, die derzeit verwendet werden, um die Geschwindigkeit solcher Berechnungen zu erhöhen.

Computer Neuropsychiatrie ist ein aufstrebendes Feld, das mathematische und computergestützte Modellierung von Gehirnmechanismen verwendet, die an psychischen Störungen beteiligt sind. Mehrere Initiativen haben gezeigt, dass die Computermodellierung ein wichtiger Beitrag zum Verständnis von neuronalen Schaltkreisen ist, die mentale Funktionen und Funktionsstörungen erzeugen könnten.[23][24][25]

Pharmakologie

Hauptartikel: Pharmakologie

Computerpharmakologie ist "die Untersuchung der Auswirkungen genomischer Daten, um Verbindungen zwischen spezifischen Genotypen und Krankheiten und dann zu finden Drogendaten untersuchen".[26] Das Pharmaindustrie Erfordert eine Verschiebung der Methoden zur Analyse von Arzneimitteldaten. Pharmakologen konnten verwenden Microsoft Excel Vergleich chemischer und genomischer Daten im Zusammenhang mit der Wirksamkeit von Arzneimitteln. Die Branche hat jedoch das erreicht, was als Excel -Barrikade bezeichnet wird. Dies ergibt sich aus der begrenzten Anzahl von Zellen, die in einer Tabelle zugänglich sind. Diese Entwicklung führte zur Notwendigkeit einer rechnerischen Pharmakologie. Wissenschaftler und Forscher entwickeln Rechenmethoden zur Analyse dieser massiven Datensätze. Dies ermöglicht einen effizienten Vergleich zwischen den bemerkenswerten Datenpunkten und ermöglicht es, genauere Medikamente zu entwickeln.[27]

Die Analysten projizieren, dass bei Patenten, wenn große Medikamente aufgrund von Patenten versagen, diese Computerbiologie erforderlich sein wird, um aktuelle Arzneimittel auf dem Markt zu ersetzen. Doktoranden in der Computerbiologie werden ermutigt, Karrieren in der Industrie zu verfolgen, anstatt postdoktorale Positionen einzunehmen. Dies ist ein direktes Ergebnis von großen Pharmaunternehmen, die qualifiziertere Analysten der großen Datensätze benötigen, die für die Herstellung neuer Arzneimittel erforderlich sind.[27]

In ähnlicher Weise rechnerisch Onkologie Ziel ist es, die zukünftigen Mutationen in Krebs durch algorithmische Ansätze zu bestimmen. Die Forschung in diesem Bereich hat zur Verwendung von Hochdurchsatzmessungen geführt, dass Millionen von Datenpunkten mit Robotik und anderen Erfassungsgeräten. Diese Daten werden aus DNA, RNA und anderen biologischen Strukturen gesammelt. Zu den Fokusbereichen gehören die Bestimmung der Eigenschaften von Tumoren, die Analyse von Molekülen, die deterministisch sind, Krebs verursachen, und zu verstehen, wie das menschliche Genom mit der Ursache von Tumoren und Krebs zusammenhängt.[28][29]

Techniken

Computerbiologen verwenden eine breite Palette von Software und Algorithmen, um ihre Forschung durchzuführen.

Unbeaufsichtigtes Lernen

Unbeaufsichtigtes Lernen ist eine Art von Algorithmus, der Muster in nicht markierten Daten findet. Ein Beispiel ist K-Means Clustering, was auf eine Partition abzielt n Datenpunkte in k Cluster, in denen jeder Datenpunkt zum Cluster mit dem nächsten Mittel gehört. Eine andere Version ist die k-medoide Der Algorithmus, der bei der Auswahl eines Cluster -Zentrums oder eines Cluster -Zentroids einen seiner Datenpunkte im Satz auswählt und nicht nur einen Durchschnitt des Cluster.

Eine Wärme-Map der Jaccard-Entfernungen von Kernprofilen

Der Algorithmus folgt folgenden Schritten:

  1. Zufällig auswählen k Unterschiedliche Datenpunkte. Dies sind die anfänglichen Cluster.
  2. Messen Sie den Abstand zwischen jedem Punkt und jedem der K -Cluster. (Dies ist der Abstand der Punkte von jedem Punkt k)
  3. Weisen Sie jeden Punkt dem nächsten Cluster zu
  4. Finden Sie die Mitte jedes Clusters (Medoid)
  5. Wiederholen Sie, bis sich die Cluster nicht mehr ändern
  6. Bewerten Sie die Qualität des Clustering, indem Sie die Variation in jedem Cluster addieren
  7. Wiederholen Sie die Prozesse mit unterschiedlichen Werten von k.
  8. Wählen Sie den besten Wert für 'k', indem Sie den "Ellbogen" in der Handlung finden, in der K -Wert die niedrigste Varianz hat.

Ein Beispiel hierfür in der Biologie wird bei der 3D -Zuordnung eines Genoms verwendet. Informationen über die HIST1 -Region einer Maus von Chromosom 13 stammen aus Gene Expression Omnibus.[30] Diese Informationen enthalten Daten, zu denen Kernprofile in bestimmten genomischen Regionen angezeigt werden. Mit diesen Informationen die Jaccard -Entfernung Kann verwendet werden, um einen normalisierten Abstand zwischen allen Loci zu finden.

Grafikanalytik

Grafikanalytik oder Netzwerkanalyse, ist die Untersuchung von Graphen, die Verbindungen zwischen verschiedenen Objekten darstellen. Diagramme können alle Arten von Netzwerken in der Biologie darstellen, wie z. Protein-Protein-Wechselwirkung Netzwerke, regulatorische Netzwerke, metabolische und biochemische Netzwerke und vieles mehr. Es gibt viele Möglichkeiten, diese Netzwerke zu analysieren. Eines davon schaut sich an Zentralität in Grafiken. Das Finden von Zentralität in Graphen zugute kommt ihrer Popularität oder Zentralität in der Grafik Knotenrankings. Dies kann nützlich sein, um herauszufinden, welche Knoten am wichtigsten sind. Dies kann in vielerlei Hinsicht in der Biologie sehr nützlich sein. Wenn wir beispielsweise Daten zur Aktivität von Genen in einem bestimmten Zeitraum haben, können wir die Zentralität der Grad verwenden, um zu sehen, welche Gene im gesamten Netzwerk am aktivsten sind oder welche Gene im gesamten Netzwerk am meisten mit anderen interagieren. Dies kann uns helfen, zu verstehen, welche Rollen bestimmte Gene im Netzwerk spielen.

Es gibt viele Möglichkeiten, die Zentralität in Grafiken zu berechnen, die alle verschiedene Arten von Informationen zur Zentralität liefern können. Das Finden von Zentralitäten in der Biologie kann unter vielen unterschiedlichen Umständen angewendet werden, von denen einige Genregulations-, Proteinwechselwirkungs- und Stoffwechselnetzwerke sind.[31]

Überwachtes Lernen

Überwachtes Lernen ist eine Art von Algorithmus, der aus gekennzeichneten Daten lernt und zukünftige Daten, die nicht beleuchtet sind, Etiketten zugewiesen werden. In der Biologie kann beaufsichtigtes Lernen hilfreich sein, wenn wir Daten haben, von denen wir wissen, wie wir kategorisieren können, und wir möchten mehr Daten in diese Kategorien einteilen.

Diagramm, das einen einfachen zufälligen Wald zeigt.

Ein häufiger beaufsichtigter Lernalgorithmus ist der Zufallswald, was zahlreich verwendet Entscheidungsbäume Um ein Modell zu trainieren, um einen Datensatz zu klassifizieren. Ein Entscheidungsbaum, der die Grundlage des zufälligen Waldes bildet, ist eine Struktur, die darauf abzielt, einige Datenmenge mit bestimmten bekannten Merkmalen dieser Daten zu klassifizieren oder zu kennzeichnen. Ein praktisches biologisches Beispiel dafür würde die genetischen Daten eines Individuums einnehmen und voraussagen, ob das Individuum eine bestimmte Krankheit oder Krebs entwickelt hat oder nicht. An jedem internen Knoten überprüft der Algorithmus den Datensatz für genau eine Funktion, ein bestimmtes Gen im vorherigen Beispiel, und verzweigt dann basierend auf dem Ergebnis links oder rechts. An jedem Blattknoten weist der Entscheidungsbaum dem Datensatz eine Klassenbezeichnung zu. In der Praxis führt der Algorithmus einen bestimmten Root-to-Blatt-Pfad durch den Eingabedatensatz über den Entscheidungsbaum, der zur Klassifizierung dieses Datensatzes führt. In der Regel haben Entscheidungsbäume Zielvariablen, die diskrete Werte wie Ja/Nein annehmen. In diesem Fall wird sie als Klassifizierungsbaum bezeichnet. Wenn die Zielvariable jedoch kontinuierlich ist, wird sie als a genannt Regressionsbaum. Um einen Entscheidungsbaum zu erstellen, muss er zunächst mit einem Trainingssatz trainiert werden, um festzustellen, welche Funktionen die besten Prädiktoren für die Zielvariable sind.

Quelloffene Software

Quelloffene Software Bietet eine Plattform für die Computerbiologie, auf der jeder von der in der Forschung entwickelten Software zugreifen kann. PLOS zitiert vier Hauptgründe für die Verwendung von Open -Source -Software:

  • Reproduzierbarkeit: Dies ermöglicht es Forschern, die genauen Methoden zur Berechnung der Beziehungen zwischen biologischen Daten zu verwenden.
  • Schnellere Entwicklung: Entwickler und Forscher müssen den bestehenden Code für kleinere Aufgaben nicht neu erfinden. Stattdessen können sie bereits vorhandene Programme nutzen, um Zeit für die Entwicklung und Umsetzung größerer Projekte zu sparen.
  • Erhöhte Qualität: Wenn Sie Input von mehreren Forschern, die dasselbe Thema untersuchen, sind eine Gewissheit, dass Fehler nicht im Code enthalten sind.
  • Langfristige Verfügbarkeit: Open-Source-Programme sind nicht an Unternehmen oder Patente gebunden. Auf diese Weise können sie auf mehreren Webseiten veröffentlicht und sicherstellen, dass sie in Zukunft verfügbar sind.[32]

Forschung

Es gibt mehrere große Konferenzen, die sich mit der Computerbiologie befassen. Einige bemerkenswerte Beispiele sind Intelligente Systeme für die molekulare Biologie, Europäische Konferenz über Computerbiologie und Forschung in der rechenmolekularen Biologie.

Es gibt auch zahlreiche Zeitschriften, die der Computerbiologie gewidmet sind. Einige bemerkenswerte Beispiele sind Journal of Computational Biology und PLoS Computational Biology, eine von Experten begutachtete Open Access Journal Das hat viele bemerkenswerte Forschungsprojekte im Bereich der Computerbiologie. Sie bieten Bewertungen zu Software, Tutorials für Open -Source -Software und zeigen Informationen zu bevorstehenden Computerbiologiekonferenzen an.

Verwandte Felder

Computerbiologie, Bioinformatik und Mathematische Biologie sind alle interdisziplinären Ansätze für die Biowissenschaften, die sich aus quantitativen Disziplinen wie Mathematik und stammen Informationswissenschaft. Das NIH Beschreibt die Computer-/Mathematikbiologie als Verwendung von rechnerischen/mathematischen Ansätzen zur Beantwortung theoretischer und experimenteller Fragen in der Biologie und im Gegensatz dazu Bioinformatik als Anwendung der Informationswissenschaft zum Verständnis komplexer Lebenskenntnisse.[1]

Insbesondere definiert der NIH

Computerbiologie: Die Entwicklung und Anwendung von datenanalytischen und theoretischen Methoden, mathematischen Modellierungs- und Rechensimulationstechniken zur Untersuchung biologischer, verhaltensbezogener und sozialer Systeme.[1]

Bioinformatik: Forschung, Entwicklung oder Anwendung von Rechenwerkzeugen und Ansätzen zur Erweiterung der Verwendung biologischer, medizinischer, Verhaltens- oder Gesundheitsdaten, einschließlich derjenigen, um solche Daten zu erwerben, zu speichern, zu organisieren, zu archivieren, zu analysieren oder zu visualisieren.[1]

Während jedes Feld unterschiedlich ist, kann es an seiner Schnittstelle eine signifikante Überlappung geben.[1] So sehr, dass für viele Bioinformatik und Computerbiologie Begriffe sind, die austauschbar verwendet werden.

Die Begriffe Computerbiologie und Evolutionsberechnung Haben Sie einen ähnlichen Namen, sind aber nicht zu verwechseln. Im Gegensatz zur Computerbiologie befasst sich die evolutionäre Berechnung nicht mit der Modellierung und Analyse biologischer Daten. Es schafft stattdessen Algorithmen, die auf den Ideen der Evolution zwischen den Arten basieren. Manchmal bezeichnet als genetische AlgorythmenDie Forschung dieses Gebiets kann auf die Computerbiologie angewendet werden. Während die evolutionäre Berechnung nicht von Natur aus Teil der Computerbiologie ist, ist die rechnerische Evolutionsbiologie ein Teilfeld davon.[33]

Siehe auch

Verweise

  1. ^ a b c d e "NIH Arbeitsdefinition von Bioinformatik und Computerbiologie" (PDF). Initiative für biomedizinische Informationswissenschaft und Technologie. 17. Juli 2000. archiviert von das Original (PDF) am 5. September 2012. Abgerufen 18. August 2012.
  2. ^ "Über die CCMB". Zentrum für Computermolekularbiologie. Abgerufen 18. August 2012.
  3. ^ a b c Hogeweg, Paulien (7. März 2011). "Die Wurzeln der Bioinformatik in der theoretischen Biologie". PLoS Computational Biology. 3. 7 (3): E1002021. Bibcode:2011PLSCB ... 7E2021H. doi:10.1371/journal.pcbi.1002021. PMC 3068925. PMID 21483479.
  4. ^ "Das menschliche Genomprojekt". Das menschliche Genomprojekt. 22. Dezember 2020. Abgerufen 13. April 2022.
  5. ^ "Human Genome Project FAQ". Genome.gov. Abgerufen 2022-04-20.
  6. ^ "T2T -CHM13V1.1 - Genom - Assemblierung - NCBI". www.ncbi.nlm.nih.gov. Abgerufen 2022-04-20.
  7. ^ "Genomliste - Genom - NCBI". www.ncbi.nlm.nih.gov. Abgerufen 2022-04-20.
  8. ^ Bourne, Philip (2012). "Aufstieg und Tod von Bioinformatik? Versprechen und Fortschritt". PLoS Computational Biology. 8 (4): E1002487. Bibcode:2012PLSCB ... 8E2487O. doi:10.1371/journal.pcbi.1002487. PMC 3343106. PMID 22570600.
  9. ^ "COSI -Informationen". www.iscb.org. Abgerufen 2022-04-21.
  10. ^ Grenander, ULF; Miller, Michael I. (1998-12-01). "Computeranatomie: Eine aufstrebende Disziplin". Q. Appl. Mathematik. 56 (4): 617–694. doi:10.1090/QAM/1668732.
  11. ^ "Mathematische Biologie | Fakultät für Wissenschaft". www.ualberta.ca. Abgerufen 2022-04-18.
  12. ^ a b c "Die Unterfelder der Computerbiologie". Ninh Labor für Computerbiologie. 2013-02-18. Abgerufen 2022-04-18.
  13. ^ a b Kitano, Hiroaki (14. November 2002). "Computersystembiologie". Natur. 420 (6912): 206–10. Bibcode:2002Natur.420..206k. doi:10.1038/nature01254. PMID 12432404. S2CID 4401115. Proquest 204483859.
  14. ^ Favrin, Bean (2. September 2014). "Esyn: Netzwerkaufbau, Teilen und Veröffentlichen". PLUS EINS. 9 (9): E106035. Bibcode:2014PLOSO ... 9J6035B. doi:10.1371/journal.pone.0106035. PMC 4152123. PMID 25181461.
  15. ^ Antonio Carvajal-Rodríguez (2012). "Simulation von Genen und Genomen rechtzeitig vorwärts". Aktuelle Genomik. 11 (1): 58–61. doi:10.2174/138920210790218007. PMC 2851118. PMID 20808525.
  16. ^ "Genomsequenzierung für den Rest von uns". Wissenschaftlicher Amerikaner.
  17. ^ a b c Koonin, Eugene (6. März 2001). "Computational Genomics". Strömung Biol. 11 (5): 155–158. doi:10.1016/s0960-9822 (01) 00081-1. PMID 11267880. S2CID 17202180.
  18. ^ "Sequenzausrichtung - Ein Überblick | ScienceDirect -Themen". www.sciencedirect.com. Abgerufen 2022-04-18.
  19. ^ "Gen -Ontologie -Ressource". Gen -Ontologie -Ressource. Abgerufen 2022-04-18.
  20. ^ DEARGRIE, Robert A.; Scialdone, Antonio; Schuel, Markus; Kraemer, Dorothee C. A.; Chotalia, Mita; Xie, Sheila Q.; Barbieri, Mariano; de Santiago, Inês; Lavitas, Liron-Mark; Branco, Miguel R.; Fraser, James (März 2017). "Komplexe Multi-Enhancer-Kontakte, die von der Genomarchitektur-Mapping erfasst wurden". Natur. 543 (7646): 519–524. Bibcode:2017Natur.543..519b. doi:10.1038/nature21411. ISSN 1476-4687. PMC 5366070. PMID 28273065.
  21. ^ "Computational Neurowissenschaften | Neurowissenschaften". www.bu.edu.
  22. ^ a b Sejnowski, Terrence; Christof Koch; Patricia S. Churchland (9. September 1988). "Computational Neurowissenschaften". Wissenschaft. 4871. 241 (4871): 1299–306. Bibcode:1988sci ... 241.1299s. doi:10.1126/Science.3045969. PMID 3045969.
  23. ^ Dauvermann, Maria R.; Whalley, Heather C.; Schmidt, André ©; Lee, Graham L.; Romaniuk, Liana; Roberts, Neil; Johnstone, Eva C.; Lawrie, Stephen M.; Moorhead, Thomas W. J. (2014). "Computational Neuropsychiatry - Schizophrenie als kognitive Hirnnetzwerkstörung". Grenzen in der Psychiatrie. 5: 30. doi:10.3389/fpsyt.2014.00030. PMC 3971172. PMID 24723894.
  24. ^ Tretter, F.; Albus, M. (Dezember 2007). ""Computational Neuropsychiatry" von Arbeitsgedächtnisstörungen bei Schizophrenie: Die Netzwerkkonnektivität im präfrontalen Kortex - Daten und Modelle ". Pharmakopsychiatrie. 40 (S 1): S2 - S16. doi:10.1055/s-2007-993139. S2CID 18574327.
  25. ^ Marin-Sanguino, A.; Mendoza, E. (2008). "Hybridmodellierung in der rechnerischen Neuropsychiatrie". Pharmakopsychiatrie. 41: S85 - S88. doi:10.1055/s-2008-1081464. PMID 18756425.
  26. ^ Price, Michael (2012-04-13). "Computerbiologen: Die nächsten Pharma -Wissenschaftler?".
  27. ^ a b Jessen, Walter (2012-04-15). "Die Verschiebungsstrategie von Pharma bedeutet mehr Arbeitsplätze für Computerbiologen".
  28. ^ Barbolosi, Dominique; Ciccolini, Joseph; Lacarelle, Bruno; Barlesi, Fabrice; Andre, Nicolas (2016). "Computer Oncology-mathematische Modellierung von Arzneimittelschemata für Präzisionsmedizin". Nature Reviews Clinical Oncology. 13 (4): 242–254. doi:10.1038/nrclinonc.2015.204. PMID 26598946. S2CID 22492353.
  29. ^ Yakhini, Zohar (2011). "Cancer Computational Biology". BMC Bioinformatics. 12: 120. doi:10.1186/1471-2105-12-120. PMC 3111371. PMID 21521513.
  30. ^ Verknüpfung
  31. ^ Koschutzki, Dirk; Schreiber, Falk (2008-05-15). "Zentralitätsanalysemethoden für biologische Netzwerke und ihre Anwendung auf Genregulierungsnetzwerke". Genregulation und Systembiologie. 2: 193–201. doi:10.4137/grsb.s702. ISSN 1177-6250. PMC 2733090. PMID 19787083.
  32. ^ Prlić, Andreas; Lapp, Hilmar (2012). "Der Abschnitt" PLOS Computational Biology Software "". PLoS Computational Biology. 8 (11): E1002799. Bibcode:2012PLSCB ... 8E2799p. doi:10.1371/journal.pcbi.1002799. PMC 3510099.
  33. ^ Foster, James (Juni 2001). "Evolutionsberechnung". Nature Reviews Genetics. 2 (6): 428–436. doi:10.1038/35076523. PMID 11389459. S2CID 205017006.

Externe Links