2. luento Kahden sekvenssin rinnastus
|
|
- Kimmo Mikkonen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 2. luento Kahden sekvenssin rinnastus
2 Miksi rinnastusta opetetaan Keskeisintä bioinformatiikkaa Voidaan päätellä: konservoituneita alueita pistemutaatioita lajien tai geenien evolutiivisia suhteita Osa eniten käytettyjä bioinformatiikan tehtäviä käyttää rinnastusta: Tietokantahaut sekvensseillä Kahden eliön genomien vertailu Monen sekvenssin linjaus Oikein tehty rinnastus on vaatimus onnistuneille muille tehtäville Perustuu J.Tuimalan originaaleihin
3 Miten rinnastus tehdään? Ruutupaperilla / Tietokoneella Rinnastaminen ei ole objektiivista Tietokoneen tulokset pitää tarkistaa Perustuu J.Tuimalan originaaleihin
4 Kahden sekvenssin rinnastus Kahden sekvenssin rinnastukseen on olemassa useita menetelmiä. Pistematriisi-menetelmä (dot-plot) Dynaaminen optimointi Sana- tai k-tuple-menetelmät Tietokantahaut (Fasta) BLAST Perustuu J.Tuimalan originaaleihin
5 Rinnastustyypit Paikallinen rinnastus (local), jossa vain osa sekvenssien kokonaispituudesta pyritään rinnastamaan: Kokonaisrinnastus (global), jossa rinnastettavat sekvenssit pyritään asettamaan toisiaan vasten koko pituudeltaan. Perustuu J.Tuimalan originaaleihin
6 Dot-plot I Käytetään kahden sekvenssin rinnastukseen. Tarkoittaa kuvaa, jossa rinnastettavat sekvenssit asetetaan koordinaatistoon, toinen x-akselille ja toinen y-akselille. Sellaisiin kohtiin, joissa molemmissa sekvensseissä on sama aminohappo tai nukleotidi merkitään piste tai rasti. Kuvioon muodostuvia diagonaalisia suoria käyttäen voidaan rinnastaa tutkittavat kaksi sekvenssiä. Perustuu J.Tuimalan originaaleihin
7 Miksi dot plot:ia opetetaan Yksinkertainen toimintaperiaate Selittää monimutkikkaampien ohjelmien toimintaa Hyödyllinen visualisointi Pystyy esittämään toistoalueita, kääntyneitä alueita Dot plot menetelmät suomeksi pistematriisimenetelmät (?) Perustuu J.Tuimalan originaaleihin
8 Dotplot ja WWW Google: dotplot sequence tutorial OR guide formatics%29 content&view=article&id=64:inroduction-todot-plots&catid=52:cat_coding_algorithms_dotplots&itemid=76
9 Dot-plot II Kaksi lyhyttä, identtistä sekvenssiä dot-plotissa. Tässä kuvassa alaoikealle suuntautuva diagonaalinen suora määrittää kokonaisrinnastuksen. Kuvasta voidaan löytää myös useampia paikallisia rinnastuksia. T K E V I V T K E D M R T * * K * * E * * V * * sekv 1. TKEVIVTKEDMR I * sekv 2. TKEVIVTKEDMR V * * T * * K * * E * * D * M * R * Perustuu J.Tuimalan originaaleihin
10 Harjoitellaan! Muodosta seuraavista sekvensseistä dot-plot ruutupaperia käyttäen. sekvenssi 1: ACG ACG GTC GAC TG sekvenssi 2: ACG ACG GTA GAC TG
11 Kirjoita ensin sekvenssit näkyviin taulukon ekalle riville ja ekaan sarakkeeseen Merkkaa sitten rasti joka kohdalle, jossa identtinen emäs A C G A C G G T C G A C T G A C G A C G G T A G A C T G
12 sitten A C G A C G G T C G A C T G A X X X C X X X X G X X X X X A X X X C X X X X G X X X X X G X X X X X T X X A X X X G X X X X X A X X X C X X X X T X X G X X X X X
13 A C G A C G G T C G A C T G A X X X C X X X X G X X X X X A X X X C X X X X G X X X X X G X X X X X T X X A X X X G X X X X X A X X X C X X X X T X X G X X X X X Paras rinnastus: ACG ACG GTC GAC TG ACG ACG GTA GAC TG
14 Tee sama sanakoolla 2: A C G A C G G T A G A C T G A C G A C G G T C G A C T G
15 A C G A C G G T A G A C T G A C G A C G G T C G A C T G
16 Dot-plot netissä - sekä proteiini- että nukleotidisekvensseille vain nukleotidisekvensseille mille tahansa merkkijonolle
17 Dot-plottien tekoon käytettäviä EMBOSS*- ohjelmia => Valitse valikosta Alignment Dot Plots dotmatcher dotpath dottup polydot Laskee pistekartan käyttäen samankaltaisuusvertailussa sanapituutta ja kynnysarvoa (sensitiivisempi) Laskee pistekartan, jossa ei ole päällekkäin meneviä diagonaalin suuntaisia viivoja. ( paras polku ) Piirtää pistekartan käyttäen samankaltaisuusvertailussa annetun mittaisten sanojen (esim. 2, 5 tai 10 emäsparia) 100% identtisyyttä (hyvin simppeli!) Lukee sisään joukon sekvenssejä ja tekee kaikille sekvenssipareille pistekartan *EMBOSS on vapaasti saatavilla oleva ohjelmistopaketti joka on rakennettu erityisesti molekyylibiologian tarpeisiin
18 Dottup Dottup etsii kohdat, joissa molemmilla sekvensseillä on käyttäjän antaman sanakoon mittainen täydellinen vastaavuus, ja piirtää vastaavuuden kohdalle diagonaalin suuntaisen viivan Nopea, muttei kovin herkkä (sensitiivinen) tapa luoda pistekarttoja Sopii visualisoimaan keskenään hyvin samankaltaisia alueita Wordsize 2 Wordsize 4 Esim.sekvenssi, jota vertaillaan itseensä: AGGGGTCCAAGGGAAATTGCCTGCAA Wordsize 10 TAI
19 Testataan eri dot-plot-ohjelmia! Dottup. Esimerkkisekvenssit sekv. 1: agcgtcccgtttgtcaaggccctgaaacgaac sekv. 2: agggtcccgtttgatcagggcctgaaacgtc Dottup wordsize 3 Dottup wordsize 4
20 Dotmatcher Siirtää annetun sanakoon mittaista ikkunaa kaikkien diagonaalin suuntaisten suorien mukaisesti ja piirtää viivan niille kohdille, joissa rinnastuksen pistesumma ylittää annetun kynnysarvon (vertailuun käytetään oletusarvoisesti EDNAFULL-nimistä pisteytysmatriisia) Hitaampi kuin Dottup mutta huomattavasti sensitiivisempi Dotmatcher wordsize 4, threshold 10 Dotmatcher wordsize 4, threshold 15
21 Dotpath Etsii kaikki sanakoon tai pidemmän mittaiset vastaavuudet kahden sekvenssin välillä. Sitten Dotpath redusoi löydetyt vastavuudet pienimpään mahdolliseen määrään ei-limittäisiä pitkiä vastaavuuksia Löytää (lähes) optimaalisen linjauksen kahden sekvenssin välillä. Keskenään hyvin samanlaisille sekvensseille tuottaa saman tuloksen kuin water tai needle (jotka ovat oikeasti optimaalisia, kts. rinnastusalgoritmit). Toimii hyvin pitkien sekvenssien kanssa) Dotpath wordsize 4
22 Dotmatcher kynnysarvo (threshold) samankaltaisuudelle: Yksinkertainen esimerkki: tietystä sanakoosta jonkin tietyn määrän täytyy olla täydellisiä osumia: Esimerkiksi, jos sanakoko on viisi, ja määritetään, että vähintään neljä osumaa täytyy löytyä (treshold=15, koska yksi osuma on 5 pistettä ja huti -4 pistettä EDNAFULL-taulukossa) : ACGTA -> viisi osumaa ACGTA -> merkitään pisteet dot-plotiin ACGTA -> kolme osumaa ACCTT -> ei pisteitä dot-plotiin Perustuu J.Tuimalan originaaleihin
23 Dotmatcher Tietyllä sanakoolla jonkin osumien riittävän samankaltaisuuden osoittavan kynnysarvon täytyy ylittyä: Pisteytysmatriisi osumien pisteytykseen Määritellään kynnysarvo pisteytysmatriisin perusteella lasketulle pistemäärälle Tämä kynnysarvo toimii samalla tavoin kuin edellä esitelty osumien kynnysarvo. Jos jonkin alueen saama pistemäärä ei ylitä määriteltyä kynnysarvoa, ei kuvioon merkitä pisteitä kyseisille kohdille Perustuu J.Tuimalan originaaleihin
24 Dot-plot, sanakoko ja raja-arvo: eräs DNA-sekvenssi verrattuna itseensä 3,5 3,15 11,35 11,55 Perustuu J.Tuimalan originaaleihin
25 Esim. vertaillaan seuraavia proteiineja toisiinsa eri dot-plot-menetelmin: Sekv. 1. swissprot:csk_mouse Sekv. 2. swissprot:grb2_mouse Csk = c-src tyrosine kinase Grb2 = growth factor receptor bound protein 2
26 Ajetaan dottup: Dottup: sanakoko 3 Dottup: sanakoko 5
27 Ajetaan dotmatcher: Windowsize=3, threshold =7.00 Windowsize=4, threshold =10.00 Windowsize=8, threshold =17.00 Windowsize=11, threshold =35.00
28 ...tulosten tulkinta Löydämme paikallisia, toisiaan muistuttavia alueita Nyt kannattaa katsoa tarkemmin, ovatko jaetut alueet vaikkapa toiminnallisesti tärkeitä funktionaalisia domeeneja.... Itse asiassa hiiren Csk-proteiinista tiedetään, että se sisältää yhden SH3-domainin (9-70) ja yhden SH2- domainin (82-171) Ja hiiren Grb2-proteiini sisältää yhden SH2-domainin (60-152) ja 2 SH3-domainia muistuttavaa aluetta (1-58 ja )
29 Siis Dotmatcher herkempi ja monipuolisempi kuin esim. dottup (pisteytysmatriisi mukana) Herkempi, koska ei tarkastele pelkkiä täydellisiä identtisyyksiä, vaan pystyy samankaltaisuuden kynnysarvoa käyttämällä havaitsemaan myös heikommin samankaltaisia alueita
30 ...Mutta miksi tehdä pistekarttoja? vertaavat toisiinsa sekvenssien kaikkia kohtia eivätkä poimi esille vain yksittäisiä samankaltaisia alueita esim toistuvat tai kaukana toisistaan olevat samankaltaiset alueet helpompi havaita pistekartoissa voidaan käyttää myös sekvenssin sisäisten samankaltaisuuksien analyysiin löytää toistojaksot ja samantyyppiset toistuvat domeenit, sekä palindromisekvenssit!
31 Lisää rinnastusta: Aukkosakkoparametrit (Gap penalties) Sekvenssievoluutiossa tapahtuu insertioita ja deleetioita rinnastuksessa tarve aukkoihin Aukkojen lisäämisen ja jatkamisen vaikutukset rinnastuksen laatuun? Aukkoja pyritään välttämään, joten aukkosakkoparametrit asetetaan niin, että aukkojen lisääminen pienentää rinnastuksen saamaa samankaltaisuuspistemäärää Perustuu J.Tuimalan originaaleihin
32 Paras rinnastus Sellainen rinnastus, joka saa suurimman pistemäärän (tai pienimmän sakkomäärän) on paras rinnastus. Pistemäärä riippuu käytetyistä parametreista! Käytettävät parametrit tarkoittaa: Valittu pisteytysmatriisi ja aukkosakkoparametrit Perustuu J.Tuimalan originaaleihin
33 Aukkosakkoparametrit I Aukot ovat evolutiivisesti ajateltuna kalliita. Yleensä aukkojen muodostumista sekvensseihin kuvataan siten, että aukon syntymisellä (tai avaamisella) ja jo avatun aukon jatkamisella on omat sakkonsa (affine gap penalty -pisteytys). Aukon avaamiseen liittyvä sakko on yleensä suurempi kuin aukon jatkamiseen liittyvä sakko. Perustuu J.Tuimalan originaaleihin
34 Aukkosakkoparametrit II Matemaattisesti merkittynä siis P = c + gd jossa c on aukon avaamiseen liittyvä sakko, d aukon jatkamiseen liittyvä sakko ja g jatkon pituus. Jos rinnastukseen haluaa paljon aukkoja, pitää aukon avaamisesta johtuvaa sakkoa alentaa. Jos pitkät aukot ovat toivottavampia, alennetaan aukon jatkamisesta johtuvaa sakkoa. Perustuu J.Tuimalan originaaleihin
35 Rinnastuksen pistemäärä Rinnastus: KARI LARI PAM-250-matriisi: K-L -3 A-A +2 R-R +6 I-I +5 (-3) = 10 Perustuu J.Tuimalan originaaleihin
36 Rinnastus: KATARRI vs. LARI KATARRI KATARRI LA---RI LA--R-I Aukkosakot (avaus=-10, jatko=-1): *(-1) = = *(-1) - 10 = -21 PAM-250-matriisi: K-L -3 A-A +2 R-R +6 I-I +5 (-3) = 10 Rinnastus 1: Yht = -2 ja Rinnastus 2: = -11 Perustuu J.Tuimalan originaaleihin
37 Sakkoparametrien valinta? Ei selkeää käytäntöä (samassa mielessä kuin pisteytysmatriiseille), suositellaan että: aukon avaamissakko (itseisarvoltaan) hieman suurempi kuin suurin käytetyssä pisteytysmatriisissa identtisyydestä annettava pistemäärä Laajennussakko n. 10% aukonavaamissakosta Rinnastusohjelmien oletusarvot on asetettu kokemuksen perusteella niin, että tuottavat keskimäärin hyviä tuloksia 2-vaiheisen aukkosakon lisäksi joissakin algoritmeissa myös muita aukkomalleja Perustuu J.Tuimalan originaaleihin
38 Rinnastusalgoritmit Mikä tahansa rinnastus voidaan pisteyttää kun aukkosakkoparametrit ja pisteytysmatriisi on päätetty Vähänkään pidemmillä sekvensseillä mahdollisia rinnastuksia valtava määrä ei voi vertailla käsin entäpä tietokoneella? Miten löytää rinnastus, joka saa suurimman pistemäärän ja siis on annettuja parametreja käyttäen paras mahdollinen rinnastus?
39 Esim. lyhyet DNA-sekvenssit, 95 bp ja 100 bp rinnastetaan mahdollisia rinnastuksia ~ 55 milj. kpl pelkästään 5 nukleotidin aukon huomioonottamisella! Mitä pidemmät sekvenssit, sitä enemmän mahdollisuuksia Laskennallinen ongelma! Yleisimmin paras rinnastus etsitään ohjelmilla jotka käyttävät dynaamista optimointia: Jaetaan ongelma pienempiin aliongelmiin ja kootaan lopullinen vastaus osavastausten avulla Ensimmäisenä tällaisen kehittivät Needleman ja Wunsch, joiden algoritmi on yksi bioinformatiikan kulmakiviä
40 Dynaaminen optimointi Dynaamiset optimointialgoritmit jaetaan kahteen luokkaan: Globaaliset (kokonaisrinnastus) Esim. Needleman-Wunch Lokaaliset (paikallinen rinnastus) Esim. Smith-Waterman Dynaamisia algoritmeja voidaan käyttää myös usean (max. noin 10) sekvenssin rinnastukseen ja tietokantahakuihin, mutta ne ovat raskaita ja vaativat paljon laskenta-aikaa ja -tehoa.
41 Needleman-Wunch -algoritmi Sekvenssit asetetaan taulukon pysty- ja vaakariveille samalla tapaan kuin pistematriisimenetelmässä (dot plot). Taulukon ensimmäinen rivi ja ensimmäinen sarake varataan aukolle. Tässä yhteydessä pitää myös valita, kuinka paljon sakotetaan aukon avaamisesta ja kuinka paljon aukon jatkamisesta. Perustuu J.Tuimalan originaaleihin
42 Needleman-Wunch netissä Yksinkertainen esitys Ratkaisu haetaan alhaalta ylöspäin (päinvastoin kuin muissa) cs%20_files/ele%204120%20tutorial%204.pdf Pieni esimerkki Youtube-videosarja aiheesta Perustuu J.Tuimalan originaaleihin
43 Needleman-Wunch II Taulukon jokainen solu kertoo ko. soluun mennessä tehdyn linjauksen saaman kokonaispistemäärän (tietyllä pisteytysmatriisilla ja aukkosakoilla) Jokaiseen soluun voidaan saapua kolmea eri reittiä: edellisestä diagonaalisolusta (match/mismatch), vertikaalisesti (aukko ylärivin sekvenssiin) tai horisontaalisesti (aukko vasemman puoleiseen sekvenssiin)
44 Needleman-Wunsch II +s i,j F i,j = Max [ F i-1, j-1 +s i,j (match/mismatch in the diagonal), F i,j-1 -d(gap in sequence #1), F i-1,j -d(gap in sequence #2) ] Perustuu J.Tuimalan originaaleihin
45 Needleman-Wunsch III Three steps in dynamic programming 1. Initialization 2. Matrix fill (scoring) 3. Traceback (alignment) Esimerkiksi, rinnastetaan kaksi DNA-sekvenssiä. Valitaan pistemääriksi (hyvin simppeli versio) Match 1 Mismatch 0 Gap 0 Muodostetaan sekvensseistä matriisi Perustuu J.Tuimalan originaaleihin
46 Initialization Step Source: The first step in the global alignment dynamic programming approach is to create a matrix with M + 1 columns and N + 1 rows where M and N correspond to the size of the sequences to be aligned. Since this example assumes there is no gap opening or gap extension penalty, the first row and first column of the matrix can be initially filled with 0.
47 Matrix Fill Step For each position, F i,j is defined to be the maximum score at position i,j; i.e. F i,j = Max [ F i-1, j-1 + s i,j (match/mismatch in the diagonal), F i,j-1 -d(gap in sequence #1), F i-1,j -d(gap in sequence #2) ]
48 Using this information, the score at position 1,1 in the matrix can be calculated. Since the first residue in both sequences is a G, s 1,1 = 1, and by the assumptions stated at the beginning, d = 0. Thus, F 1,1 = Max [F 0,0 +1, F 1, 0 +0, F 0,1 +0] = Max [1, 0, 0] = 1. Eli hakasulkujen sisältä suurin arvo siirtyy solulle F 1,1. Jos solussa on osuma (match) niin hakasuluissa eka arvo on osuma (1 piste) plus diagonaalin arvo (tässä 0). Siksi hakasten sisällä eka numero on 1 eli solun F 1,1 arvo on osuma plus solu F 0,0. Yläpuolella tai vasemmalla oleville soluille ei ynnätä kohdesolun (tässä tapauksessa F 1,1 ) arvoa vaan aukkosakko (eli nolla)! A value of 1 is then placed in position 1,1 of the scoring matrix. Solun nimi: F 0,0 Solun nimi: F 1,1
49 Row 1. At column 2, the value is the max of 0 (for a mismatch), 0 (for a vertical gap) or 1 (horizontal gap). The rest of row 1 can be filled out similarly until we get to column 8. At this point, there is a G in both sequences (light blue). Thus, the value for the cell at row 1 column 8 is the maximum of 1 (for a match), 0 (for a vertical gap) or 1 (horizontal gap). The value will again be 1. The rest of row 1 and column 1 can be filled with 1 using the above reasoning.
50 At the position column 2 row 3, there is an A in both sequences. Thus, its value will be the maximum of [2(match), 1 (horizontal gap), 1 (vertical gap)] value is 2. Moving along to position column 2 row 4, its value will be the maximum of [1 (mismatch), 1 (horizontal gap), 2 (vertical gap)], so its value is 2. Note that for all of the remaining positions except the last one in column 2, the choices for the value will be the exact same as in row 4 since there are no matches. The final row will contain the value 2 since it is the maximum of 2 (match), 1 (horizontal gap) and 2(vertical gap).
51 After filling in all of the values the score matrix is as follows: Note! Alkuperäisessä versiossa oli ollut muutama laskuvirhe, tässä ne on korjattu (punaisella taustalla olevat luvut). Traceback-stepissä ovat oikein.
52 Traceback Step After the matrix fill step, the maximum alignment score for the two test sequences is 6. The traceback step determines the actual alignment(s) that result in the maximum score. Note that with a simple scoring algorithm such as one that is used here, there are likely to be multiple maximal alignments. The traceback step begins in the position that leads to the maximal score. In this case, there is a 6 in that location.
53 Traceback takes the current cell and looks to the neighbor cells that could be direct predacessors: Look at the neighbor to the left (gap in sequence #2), the diagonal neighbor (match/mismatch), and the neighbor above it (gap in sequence #1). The algorithm for traceback chooses as the next cell in the sequence one of the possible predacessors. In this case, the neighbors are marked in red. They are all also equal to 5.
54 Since the current cell has a value of 6 and the scores are 1 for a match and 0 for anything else, the only possible predacessor is the diagonal match/mismatch neighbor. If more than one possible predecessors exists, any can be chosen. This gives us a current alignment of (Seq #1) (Seq #2) So now we look at the current cell and determine which cell is its direct predecessor. In this case, it is the cell with the red 5. A A
55 The alignment as described in the above step adds a gap to sequence #2, so the current alignment is (Seq #1) (Seq #2) T A A
56 Once again, the direct predacessor produces a gap in sequence #2. After this step, the current alignment is (Seq #1) (Seq #2) T T A A
57 Continuing on with the traceback step, we eventually get to a position in column 0 row 0 which tells us that traceback is completed. One possible maximum alignment is : Giving an alignment of : G A A T T C A G T T A G G A T C G A
58 Kokeillaan! tai (vaatii CSCn käyttäjätunnukset) Aiemman (dot-plot-) esimerkin sekvensseillä sekv. 1: agcgtcccgtttgtcaaggccctgaaacgaac sekv. 2: agggtcccgtttgatcagggcctgaaacgtc
59 ######################################## # Program: needle # Rundate: Tue 11 Jan :33: # Align_format: srspair # Report_file: outfile.align ######################################## #======================================= # Aligned_sequences: 2 # 1:, # 2:, # Matrix: EDNAFULL # Gap_penalty: 4.0 # Extend_penalty: 1.0 # # Length: 33 # Identity: 27/33 (81.8%) # Similarity: 27/33 (81.8%) # Gaps: 3/33 ( 9.1%) # Score: #=======================================, 1 agcgtcccgtttg-tcaaggccctgaaacgaac 32..., 1 agggtcccgtttgatc-agggcctgaaacg-tc 31 # #
60 Paikallinen rinnastus I Globaali rinnastus on sopiva esim. sukulaisproteiineja koodaavien cdna-sekvenssien vertailuun (josta intronit ovat siis poissa, jolloin vertaillaan pelkkiä valintapaineen alla olleita eksoneita) Usein vertailtavat sekvenssit sisältävät samankaltaisia kohtia, mutta eivät ole globaalisti rinnastettavissa (esim. proteiinit, joissa domain- tai eksonijärjestys eroaa) Rinnastettava PAIKALLISESTI:
61 Paikallinen rinnastus II Etsi merkittävästi samankaltaiset alueet ja rinnasta vain nämä. Paikallisen rinnastuksen tunnuspiirteitä ovat lyhyys ja aukkojen vähäisyys. Valitusta pisteytysmatriisista ja aukkosakoista riippuen paikallinen algoritmikin voi tuottaa rinnastuksen, joka muistuttaa globaalia rinnastusta. Smith-Waterman on dynaaminen algoritmi, joka tuottaa paikallisen rinnastuksen.
62 Smith-Waterman I Smith-Waterman eroaa Needleman-Wunsch -algoritmista siten, että jos pistemäärä taulukossa saa negatiivisen arvon, se muutetaan nollaksi. Esim. TTVVDMWV ja VVDMYWY Esim. PAM-250-matriisi, aukkosakot -12/-2 Perustuu J.Tuimalan originaaleihin
63 Negatiiviseksi muuttuvan pistemääräsumman nollaksi merkitseminen kuvaa sitä, että halutaan olla välittämättä niistä sekvenssien alueista, jotka eivät ole kovin samankaltaiset, ja aloittaa paikallinen linjaus uudelleen puhtaalta pöydältä. (Siten myöskään parhaan lokaalin pistemäärän ei tarvitse ensin ylittää vähäisen samankaltaisuuden alueiden tuottamia negatiivisia summia) Tällä tavoin läpikäymällä kaikki mahdolliset linjaukset tulevat arvioiduiksi kunnes havaitaan huonommiksi kuin jokin kilpaileva linjaus. Paras linjaus saa siis parhaan pistemäärän, ja löytyy taas aloittamalla traceback tästä solusta
64 Smith-Waterman II Haetaan taulukosta korkein pistemäärä ja seurataan polkua, joka johtaa siihen. Paras paikallinen rinnastus on siis VVDM-W VVDMYW Perustuu J.Tuimalan originaaleihin
65 Smith-Waterman III Huom. Eri pisteytysmatriisit tuottavat nytkin erilaisen tuloksen, esimerkkinä BLOSUM62 ja PAM250-matriisit. Perustuu J.Tuimalan originaaleihin
66 Voidaan osoittaa, että Smith-Waterman takaa parhaan mahdollisen pistemäärän linjauksen löytämisen kahden sekvenssin välillä EMBOSS-paketti sisältää mm. water ja matcher - algoritmit
67 Mikäli et ole varma, millainen rinnastus sopii sekvensseillesi, kannattaa ensimmäiseksi tehdä paikallinen rinnastus Paikallisia rinnastuksia tarvitaan Proteiinien ja geenien modulaarisen rakenteen selvittämiseen Eksonit / intronit, domeenit Toistojaksojen löytämiseen Sellaisten geenien rakenteen selvittämiseen, jotka ovat niin toisistaan eriytyneet, että samankaltaisuus on säilynyt vain tietyissä sekvenssien osissa.
68 Rinnastaminen käytännössä Koska rinnastaminen ei ole objektiivista, tehdään useita erilaisia rinnastuksia vaihtelemalla aukkoparametrien arvoja ja/tai pisteytysmatriisia. Näistä rinnastuksista etsitään biologisesti kaikkein todennäköisin tarkastelemalla rinnastuksia silmämääräisesti. Samassa yhteydessä voidaan korjata tietokoneen tekemiä erehdyksiä editoimalla rinnastusta käsin. Perustuu J.Tuimalan originaaleihin
69 Rinnastamisen tilastollinen merkittävyys * Pelkästä tuloksesta ei voi aina päätellä onko saatu tulos oikeasti hyvä, tilastollisesti merkittävä Kuinka tarkistetaan rinnastuksen tulos? Ajetaan ohjelma uudestaan esim kertaa Vaihdetaan toinen sekvensseistä jokaisella ajokerralla täysin satunnaiseen sekvenssiin Talletetaan löydetyn linjauksen pistetulos Lopuksi verrataan oikeasta analyysistä saatua tulosta satunnaisten tulosten joukkoon
70 Rinnastamisen tilastollinen merkittävyys * Kuinka saadaan satunnainen sekvenssi? (proteiinisekvensseille) BLAST:in idea Käytetään tietokannan frekvenssejä aminohappofrekvenssejä Arvotaan siis jokainen AH tietokannassa havaitulla frekvenssillä satunnaissekvenssiin PRSS:n idea Sotketaan aminohappojen järjestys toisesta sekvenssistä
71 Rinnastuksen yhteenveto Rinnastuksessa pyritään sijoittamaan toisiaan vastaavat alueet nukleotidi tai aminohapposekvensseistä päällekkäin Rinnastus voi lokaali tai globaali Rinnastukseen voi käyttää dot plot-menetelmiä Tulos saadaan visualisoinnin tulkinnasta Pystyy esittämään monta ratkaisua Dynaaminen algoritmi etsii parhaan linjauksen Esittää tavallisesti vain yhden ratkaisun Rinnastuksen tulos riippuu pistematriisista ja aukkosakkoparametreista
72 Extra-Slidet Seuraavat on taas lisäkalvoja Kamaa aikaisemmista vuosista
73 Rinnastuksen tilastollinen merkitsevyys I Kun paras rinnastus on tuotettu, pyritään yleensä arvioimaan sen luotettavuutta. Tällöin pyritään erottamaan biologisesti merkittävät rinnastukset sellaisista, joiden perusteella sekvenssit sattumalta näyttävät samankaltaisilta. Seuraavassa esitellään perinteiselle tilastolliselle teorialle perustuva menetelmä rinnastuksen tilastollisen merkitsevyyden testaamiseksi. Perustuu J.Tuimalan originaaleihin
74 Tilastollinen merkitsevyys II Testissä verrataan sekvenssirinnastuksen saamaa pistemäärää esimerkiksi tuhannen satunnaisen (saman mittaisen ja emäskoostumukseltaan samanlaisen) sekvenssirinnastuksen saamiin pistemääriin. Satunnaisten sekvenssien rinnastuksista voidaan määrittää niin sanottu extreme value jakauma, jota testissä käytetään. Kuvan tulkinta: havaitun arvon (esimerkissä = 2) oikealle puolelle jäävän jakauman hännän todennäköisyysmassa kertoo p-arvon.
75 Tilastollinen merkitsevyys III Jakaumaa voidaan approksimoida: todennäköisyys saada vain sattumalta rinnastus, jolle pistemäärä S on yhtä suuri tai suurempi kuin havaittu, voidaan (approksimatiivisesti) laskea kaavalla E = Kmn e S jossa K ja ovat skaalaustekijöitä, m ja n ovat rinnastettujen sekvenssien pituudet, e on neperin luku (2,72) ja S on rinnastuksen saama pistemäärä. Huom! E-arvo ei ole sama asia kuin p-arvo: P-arvo: todennäköisyys saada sattumalta sama tai parempi arvo kuin saatu linjauksen pistemäärä E-arvo: p-arvo korjattuna toistomittausten parittaisvertailun korjauskertoimella homepages.ulb.ac.be/~dgonze/.../stat_scores.pdf Perustuu J.Tuimalan originaaleihin
76 Tilastollinen merkitsevyys IV K:n ja :n saamat arvot riippuvät lähinnä käytetystä pisteytysmatriisista ja aukkosakoista. Jos kaksi 250 merkkiä pitkää aminohappoa rinnastetaan PAM250-matriisiä käyttäen suurilla aukkosakoilla (jolloin K=0.06, =0.229), ja rinnastus saa pisteikseen 75, on todennäköisyys, että vastaava rinnastus saataisiin sattumalta E=Kmn e S = 0.06*250*250*2, *75 = 0,00013 Perustuu J.Tuimalan originaaleihin
77 Tilastollinen merkitsevyys V Edellä laskettu todennäköisyys oli hyvin pieni, mikä on siis hyvä. Jotta ylläolevaa kaavaa voisi käyttää, tulee varmistaa, että käytetyn pisteytysmatriisin keskimääräinen pistemäärä (expected score) on negatiivinen (PAM250:lla 0,844). Perustuu J.Tuimalan originaaleihin
78 K:n ja :n arvoja inf. = ääretön - = rinnastus on tällä alueella globaali, ei paikallinen Perustuu J.Tuimalan originaaleihin
79 Jotta paikallinen rinnastus dynaamisella optimoinnilla onnistuisi, tulee kahden satunnaisesti kohdakkain sattuvan nuleotidin tai aminohapon saaman pistemäärän olla keskimäärin negatiivinen. Jos näin ei ole, saattaa pitkä sekvenssialue saada korkean pistemäärän rinnastuksessa vain siitä systä että se on pitkä. Tämä vastaa käytännössä sitä että paikalliseen rinnastukseen käytettävän pisteytysmatriisin entropian tulee olla negatiivinen.
Sekvenssien rinnastus. Rinnastus: helppoa tai vaikeaa
Sekvenssien rinnastus Rinnastus: helppoa tai vaikeaa Kaksi tai useampia (DNA tai proteiini) sekvenssejä: miten samankaltaisia sekvenssit ovat missä sekvenssikohdissa samankaltaisuutta esiintyy Kattava
LisätiedotAlgoritmit lyhyiden sekvenssien rinnastamiseen referenssigenomia vasten. Krista Longi
Algoritmit lyhyiden sekvenssien rinnastamiseen referenssigenomia vasten. Krista Longi 19.05.2014 DNA:n sekvensointi DNA:n pilkotaan lyhyiksi mallipalasiksi, templaateiksi, joiden emäsjärjestys selvitetään.
LisätiedotCapacity Utilization
Capacity Utilization Tim Schöneberg 28th November Agenda Introduction Fixed and variable input ressources Technical capacity utilization Price based capacity utilization measure Long run and short run
Lisätiedot1. SIT. The handler and dog stop with the dog sitting at heel. When the dog is sitting, the handler cues the dog to heel forward.
START START SIT 1. SIT. The handler and dog stop with the dog sitting at heel. When the dog is sitting, the handler cues the dog to heel forward. This is a static exercise. SIT STAND 2. SIT STAND. The
LisätiedotThe Viking Battle - Part Version: Finnish
The Viking Battle - Part 1 015 Version: Finnish Tehtävä 1 Olkoon kokonaisluku, ja olkoon A n joukko A n = { n k k Z, 0 k < n}. Selvitä suurin kokonaisluku M n, jota ei voi kirjoittaa yhden tai useamman
LisätiedotEfficiency change over time
Efficiency change over time Heikki Tikanmäki Optimointiopin seminaari 14.11.2007 Contents Introduction (11.1) Window analysis (11.2) Example, application, analysis Malmquist index (11.3) Dealing with panel
LisätiedotAlternative DEA Models
Mat-2.4142 Alternative DEA Models 19.9.2007 Table of Contents Banker-Charnes-Cooper Model Additive Model Example Data Home assignment BCC Model (Banker-Charnes-Cooper) production frontiers spanned by convex
LisätiedotFinFamily PostgreSQL installation ( ) FinFamily PostgreSQL
FinFamily PostgreSQL 1 Sisällys / Contents FinFamily PostgreSQL... 1 1. Asenna PostgreSQL tietokanta / Install PostgreSQL database... 3 1.1. PostgreSQL tietokannasta / About the PostgreSQL database...
LisätiedotThe CCR Model and Production Correspondence
The CCR Model and Production Correspondence Tim Schöneberg The 19th of September Agenda Introduction Definitions Production Possiblity Set CCR Model and the Dual Problem Input excesses and output shortfalls
LisätiedotBounds on non-surjective cellular automata
Bounds on non-surjective cellular automata Jarkko Kari Pascal Vanier Thomas Zeume University of Turku LIF Marseille Universität Hannover 27 august 2009 J. Kari, P. Vanier, T. Zeume (UTU) Bounds on non-surjective
LisätiedotAlgoritmit 2. Luento 13 Ti Timo Männikkö
Algoritmit 2 Luento 13 Ti 30.4.2019 Timo Männikkö Luento 13 Simuloitu jäähdytys Merkkijonon sovitus Horspoolin algoritmi Ositus ja rekursio Rekursion toteutus Algoritmit 2 Kevät 2019 Luento 13 Ti 30.4.2019
LisätiedotI. AES Rijndael. Rijndael - Internal Structure
I. AES Rndael NOKIA T-79.53 Additional material Oct 3/KN Rndael - Internal Structure Rndael is an iterated block cipher with variable length block and variable key size. The number of rounds is defined
LisätiedotHARJOITUS- PAKETTI A
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI A (6 pistettä) TUTA 19 Luento 3.Ennustaminen County General 1 piste The number of heart surgeries performed at County General Hospital
LisätiedotCounting quantities 1-3
Counting quantities 1-3 Lukumäärien 1 3 laskeminen 1. Rastita Tick (X) (X) the kummassa box that has laatikossa more on balls enemmän in it. palloja. X. Rastita Tick (X) (X) the kummassa box that has laatikossa
LisätiedotS-55.1100 SÄHKÖTEKNIIKKA JA ELEKTRONIIKKA
S-55.00 SÄHKÖKNKKA A KONKKA. välikoe 2..2008. Saat vastata vain neljään tehtävään!. aske jännite U. = 4 Ω, 2 = Ω, = Ω, = 2, 2 =, = A, 2 = U 2 2 2 2. ännitelähde tuottaa hetkestä t = t < 0 alkaen kaksiportaisen
LisätiedotMethods S1. Sequences relevant to the constructed strains, Related to Figures 1-6.
Methods S1. Sequences relevant to the constructed strains, Related to Figures 1-6. A. Promoter Sequences Gal4 binding sites are highlighted in the color referenced in Figure 1A when possible. Site 1: red,
LisätiedotA ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.
Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =
LisätiedotOperatioanalyysi 2011, Harjoitus 4, viikko 40
Operatioanalyysi 2011, Harjoitus 4, viikko 40 H4t1, Exercise 4.2. H4t2, Exercise 4.3. H4t3, Exercise 4.4. H4t4, Exercise 4.5. H4t5, Exercise 4.6. (Exercise 4.2.) 1 4.2. Solve the LP max z = x 1 + 2x 2
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotCSC:n käyttäjätunnukset - myös opiskelijoille
CSC:n käyttäjätunnukset - myös opiskelijoille http://www.csc.fi/asiakkaaksi/korkeakoulut/kayttol upahakemukset/index_html Ohjaajan nimeksi Petri Törönen Perusteluiksi opiskelu ja luentokurssin nimi (Geneettisen
LisätiedotMALE ADULT FIBROBLAST LINE (82-6hTERT)
Double-stranded methylation patterns of a 104-bp L1 promoter in DNAs from male and female fibroblasts, male leukocytes and female lymphoblastoid cells using hairpin-bisulfite PCR. Fifteen L1 sequences
LisätiedotKerta 2. Kerta 2 Kerta 3 Kerta 4 Kerta 5. 1. Toteuta Pythonilla seuraava ohjelma:
Kerta 2 Kerta 3 Kerta 4 Kerta 5 Kerta 2 1. Toteuta Pythonilla seuraava ohjelma: 2. Tulosta Pythonilla seuraavat luvut allekkain a. 0 10 (eli, näyttää tältä: 0 1 2 3 4 5 6 7 8 9 10 b. 0 100 c. 50 100 3.
LisätiedotAjettavat luokat: SM: S1 (25 aika-ajon nopeinta)
SUPERMOTO SM 2013 OULU Lisämääräys ja ohje Oulun Moottorikerho ry ja Oulun Formula K-125ry toivottaa SuperMoto kuljettajat osallistumaan SuperMoto SM 2013 Oulu osakilpailuun. Kilpailu ajetaan karting radalla
LisätiedotKONEISTUSKOKOONPANON TEKEMINEN NX10-YMPÄRISTÖSSÄ
KONEISTUSKOKOONPANON TEKEMINEN NX10-YMPÄRISTÖSSÄ https://community.plm.automation.siemens.com/t5/tech-tips- Knowledge-Base-NX/How-to-simulate-any-G-code-file-in-NX- CAM/ta-p/3340 Koneistusympäristön määrittely
LisätiedotChoose Finland-Helsinki Valitse Finland-Helsinki
Write down the Temporary Application ID. If you do not manage to complete the form you can continue where you stopped with this ID no. Muista Temporary Application ID. Jos et onnistu täyttää lomake loppuun
Lisätiedot1.3Lohkorakenne muodostetaan käyttämällä a) puolipistettä b) aaltosulkeita c) BEGIN ja END lausekkeita d) sisennystä
OULUN YLIOPISTO Tietojenkäsittelytieteiden laitos Johdatus ohjelmointiin 81122P (4 ov.) 30.5.2005 Ohjelmointikieli on Java. Tentissä saa olla materiaali mukana. Tenttitulokset julkaistaan aikaisintaan
LisätiedotResults on the new polydrug use questions in the Finnish TDI data
Results on the new polydrug use questions in the Finnish TDI data Multi-drug use, polydrug use and problematic polydrug use Martta Forsell, Finnish Focal Point 28/09/2015 Martta Forsell 1 28/09/2015 Esityksen
LisätiedotAlgoritmit 1. Luento 13 Ti 23.2.2016. Timo Männikkö
Algoritmit 1 Luento 13 Ti 23.2.2016 Timo Männikkö Luento 13 Suunnittelumenetelmät Taulukointi Kapsäkkiongelma Ahne menetelmä Verkon lyhimmät polut Dijkstran menetelmä Verkon lyhin virittävä puu Kruskalin
Lisätiedot16. Allocation Models
16. Allocation Models Juha Saloheimo 17.1.27 S steemianalsin Optimointiopin seminaari - Sks 27 Content Introduction Overall Efficienc with common prices and costs Cost Efficienc S steemianalsin Revenue
LisätiedotMetsälamminkankaan tuulivoimapuiston osayleiskaava
VAALAN KUNTA TUULISAIMAA OY Metsälamminkankaan tuulivoimapuiston osayleiskaava Liite 3. Varjostusmallinnus FCG SUUNNITTELU JA TEKNIIKKA OY 12.5.2015 P25370 SHADOW - Main Result Assumptions for shadow calculations
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotCounting quantities 1-3
Counting quantities 1-3 Lukumäärien 1 3 laskeminen 1. Rastita Tick (X) (X) the kummassa box that has laatikossa more on balls enemmän in it. palloja. X 2. Rastita Tick (X) (X) the kummassa box that has
Lisätiedotanna minun kertoa let me tell you
anna minun kertoa let me tell you anna minun kertoa I OSA 1. Anna minun kertoa sinulle mitä oli. Tiedän että osaan. Kykenen siihen. Teen nyt niin. Minulla on oikeus. Sanani voivat olla puutteellisia mutta
LisätiedotHarjoitus 6 ( )
Harjoitus 6 (21.4.2015) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s. t. g(x) 0 h(x) = 0 x X olevan optimointitehtävän Lagrangen duaali on missä max θ(u, v) s. t.
Lisätiedot1. Liikkuvat määreet
1. Liikkuvat määreet Väitelauseen perussanajärjestys: SPOTPA (subj. + pred. + obj. + tapa + paikka + aika) Suora sanajärjestys = subjekti on ennen predikaattia tekijä tekeminen Alasääntö 1: Liikkuvat määreet
Lisätiedot11. laskuharjoituskierros, vko 15, ratkaisut
11. laskuharjoituskierros vko 15 ratkaisut D1. Geiger-mittari laskee radioaktiivisen aineen emissioiden lukumääriä. Emissioiden lukumäärä on lyhyellä aikavälillä satunnaismuuttuja jonka voidaan olettaa
LisätiedotSIMULINK S-funktiot. SIMULINK S-funktiot
S-funktio on ohjelmointikielellä (Matlab, C, Fortran) laadittu oma algoritmi tai dynaamisen järjestelmän kuvaus, jota voidaan käyttää Simulink-malleissa kuin mitä tahansa valmista lohkoa. S-funktion rakenne
LisätiedotHarjoitus 6 ( )
Harjoitus 6 (30.4.2014) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on max θ(u,v) s.t. u 0,
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.9.269
Lisätiedotja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2
Johdatus diskreettiin matematiikkaan Harjoitus 4, 7.10.2015 1. Olkoot c 0, c 1 R siten, että polynomilla r 2 c 1 r c 0 on kaksinkertainen juuri. Määritä rekursioyhtälön x n+2 = c 1 x n+1 + c 0 x n, n N,
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotNational Building Code of Finland, Part D1, Building Water Supply and Sewerage Systems, Regulations and guidelines 2007
National Building Code of Finland, Part D1, Building Water Supply and Sewerage Systems, Regulations and guidelines 2007 Chapter 2.4 Jukka Räisä 1 WATER PIPES PLACEMENT 2.4.1 Regulation Water pipe and its
LisätiedotMatikkaa KA1-kurssilaisille, osa 3: suoran piirtäminen koordinaatistoon
Matikkaa KA1-kurssilaisille, osa 3: suoran piirtäminen koordinaatistoon KA1-kurssi on ehkä mahdollista läpäistä, vaikkei osaisikaan piirtää suoraa yhtälön perusteella. Mutta muut kansiksen kurssit, no
LisätiedotA/B Lohkojärjestelmä
A/B Lohkojärjestelmä Suomessa käytettään A/B lohkojärjestelmää suurimmassa osassa painikilpailuja, mukaan lukien kaikkien ikäryhmien SM-kilpailut sekä KLLpainit. A/B lohkojärjestelmässä noudatetaan seuraavia
LisätiedotMat Lineaarinen ohjelmointi
Mat-.34 Lineaarinen ohjelmointi 9..7 Luento Kokonaislukuoptimoinnin algoritmeja (kirja.-.) Lineaarinen ohjelmointi - Syksy 7 / Luentorunko Gomoryn leikkaava taso Branch & Bound Branch & Cut Muita menetelmiä
LisätiedotSalasanan vaihto uuteen / How to change password
Salasanan vaihto uuteen / How to change password Sisällys Salasanakäytäntö / Password policy... 2 Salasanan vaihto verkkosivulla / Change password on website... 3 Salasanan vaihto matkapuhelimella / Change
LisätiedotWindPRO version joulu 2012 Printed/Page :47 / 1. SHADOW - Main Result
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotKynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto
Kynä-paperi -harjoitukset Taina Lehtinen 43 Loput ratkaisut harjoitustehtäviin 44 Stressitestin = 40 s = 8 Kalle = 34 pistettä Ville = 5 pistettä Z Kalle 34 8 40 0.75 Z Ville 5 8 40 1.5 Kalle sijoittuu
Lisätiedot1.3 Lohkorakenne muodostetaan käyttämällä a) puolipistettä b) aaltosulkeita c) BEGIN ja END lausekkeita d) sisennystä
OULUN YLIOPISTO Tietojenkäsittelytieteiden laitos Johdatus ohjelmointiin 811122P (5 op.) 12.12.2005 Ohjelmointikieli on Java. Tentissä saa olla materiaali mukana. Tenttitulokset julkaistaan aikaisintaan
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotProteiinien kontaktiresidyjen ennustaminen. Tuomo Hartonen Teoreettisen fysiikan syventävien opintojen seminaari
Proteiinien kontaktiresidyjen ennustaminen Tuomo Hartonen Teoreettisen fysiikan syventävien opintojen seminaari 13.12.12 Terminologiaa Aminohappo = proteiinien rakennuspalikka, luonto käyttää 20 erilaista
LisätiedotReturns to Scale II. S ysteemianalyysin. Laboratorio. Esitelmä 8 Timo Salminen. Teknillinen korkeakoulu
Returns to Scale II Contents Most Productive Scale Size Further Considerations Relaxation of the Convexity Condition Useful Reminder Theorem 5.5 A DMU found to be efficient with a CCR model will also be
LisätiedotOSUMIEN TULKKAAMINEN IPSC ACTION AIR
OSUMIEN TULKKAAMINEN IPSC ACTION AIR Työryhmä: Jani Lehtonen, Jaakko Viitala. Roy Juurijoki, Pekka Kiiski ja Jesse Nio. Hyväksynyt: Sääntövastaava Sauli Luolajan-Mikkola 20.11.2013 Testattu käytännössä
LisätiedotKirjoita oma versio funktioista strcpy ja strcat, jotka saavat parametrinaan kaksi merkkiosoitinta.
Tehtävä 63. Kirjoita oma versio funktiosta strcmp(),joka saa parametrinaan kaksi merkkiosoitinta. Tee ohjelma, jossa luetaan kaksi merkkijonoa, joita sitten verrataan ko. funktiolla. Tehtävä 64. Kirjoita
LisätiedotOngelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan?
Ongelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan? 2012-2013 Lasse Lensu 2 Ihmisen, eläinten ja kasvien hyvinvoinnin kannalta nykyaikaiset mittaus-,
LisätiedotOperatioanalyysi 2011, Harjoitus 3, viikko 39
Operatioanalyysi 2011, Harjoitus 3, viikko 39 H3t1, Exercise 3.1. H3t2, Exercise 3.2. H3t3, Exercise 3.3. H3t4, Exercise 3.4. H3t5 (Exercise 3.1.) 1 3.1. Find the (a) standard form, (b) slack form of the
LisätiedotS SÄHKÖTEKNIIKKA JA ELEKTRONIIKKA
S-55.00 SÄHKÖTKNKKA JA LKTONKKA. välikoe 3.0.2006. Saat vastata vain neljään tehtävään!. Laske jännite U. = =4Ω, 3 =2Ω, = =2V, J =2A, J 2 =3A + J 2 + J 3 2. Kondensaattori on aluksi varautunut jännitteeseen
LisätiedotLab SBS3.FARM_Hyper-V - Navigating a SharePoint site
Lab SBS3.FARM_Hyper-V - Navigating a SharePoint site Note! Before starting download and install a fresh version of OfficeProfessionalPlus_x64_en-us. The instructions are in the beginning of the exercise.
LisätiedotTilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä
Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi Esimerkit laskettu JMP:llä Antti Hyttinen Tampereen teknillinen yliopisto 29.12.2003 ii Ohjelmien
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotSisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4
Sisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN...6 1.1 INDUKTIO JA DEDUKTIO...7 1.2 SYYT JA VAIKUTUKSET...9
LisätiedotSisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN... 8 2. TODENNÄKÖISYYS...
Sisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN... 8 1.1 INDUKTIO JA DEDUKTIO... 9 1.2 SYYT JA VAIKUTUKSET... 11 TEHTÄVIÄ... 13
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotC++11 seminaari, kevät Johannes Koskinen
C++11 seminaari, kevät 2012 Johannes Koskinen Sisältö Mikä onkaan ongelma? Standardidraftin luku 29: Atomiset tyypit Muistimalli Rinnakkaisuus On multicore systems, when a thread writes a value to memory,
LisätiedotFETAL FIBROBLASTS, PASSAGE 10
Double-stranded methylation patterns of a 104-bp L1 promoter in DNAs from fetal fibroblast passages 10, 14, 17, and 22 using barcoded hairpinbisulfite PCR. Fifteen L1 sequences were analyzed for passages
LisätiedotT Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1
T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
LisätiedotTynnyrivaara, OX2 Tuulivoimahanke. ( Layout 9 x N131 x HH145. Rakennukset Asuinrakennus Lomarakennus 9 x N131 x HH145 Varjostus 1 h/a 8 h/a 20 h/a
, Tuulivoimahanke Layout 9 x N131 x HH145 Rakennukset Asuinrakennus Lomarakennus 9 x N131 x HH145 Varjostus 1 h/a 8 h/a 20 h/a 0 0,5 1 1,5 km 2 SHADOW - Main Result Assumptions for shadow calculations
LisätiedotWindPRO version joulu 2012 Printed/Page :42 / 1. SHADOW - Main Result
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 13.6.2013 19:42 / 1 Minimum
LisätiedotUolevin reitti. Kuvaus. Syöte (stdin) Tuloste (stdout) Esimerkki 1. Esimerkki 2
Uolevin reitti Kuvaus Uolevi on ruudukon vasemmassa ylänurkassa ja haluaisi päästä oikeaan alanurkkaan. Uolevi voi liikkua joka askeleella ruudun verran vasemmalle, oikealle, ylöspäin tai alaspäin. Lisäksi
LisätiedotTestit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
LisätiedotPerusnäkymä yksisuuntaiseen ANOVAaan
Metsämuuronen 2006. TTP Tutkimuksen tekemisen perusteet ihmistieteissä Taulukko.51.1 Analyysiin mukaan tulevat muuttujat Mja selite Merkitys mallissa F1 Ensimmäinen faktoripistemuuttuja Selitettävä muuttuja
LisätiedotMakrojen mystinen maailma lyhyt oppimäärä
Makrojen mystinen maailma lyhyt oppimäärä Makrot osana SAS-teknologiaa Yleiskuva Jouni Javanainen Aureolis lyhyesti Aureolis on jatkuvia Business Intelligence -palveluita tuottava asiantuntijaorganisaatio
LisätiedotLisensointikuulumisia - Kustannustehokkuus Oracle lisensoinnissa
Lisensointikuulumisia - Kustannustehokkuus Oracle lisensoinnissa Osa II OUGF / 12.5.2004 c Sisält ltö Mitä uutta? Yleistä lisensoinnista Lisensointiin liittyviä ongelmia Hankinnassa muistettavia asioita
Lisätiedot,0 Yes ,0 120, ,8
SHADOW - Main Result Calculation: Alue 2 ( x 9 x HH120) TuuliSaimaa kaavaluonnos Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered
Lisätiedotr = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.
A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät
LisätiedotAlgoritmit 2. Luento 11 Ti Timo Männikkö
Algoritmit 2 Luento 11 Ti 24.4.2018 Timo Männikkö Luento 11 Rajoitehaku Kapsäkkiongelma Kauppamatkustajan ongelma Paikallinen etsintä Lyhin virittävä puu Vaihtoalgoritmit Algoritmit 2 Kevät 2018 Luento
LisätiedotOperatioanalyysi 2011, Harjoitus 2, viikko 38
Operatioanalyysi 2011, Harjoitus 2, viikko 38 H2t1, Exercise 1.1. H2t2, Exercise 1.2. H2t3, Exercise 2.3. H2t4, Exercise 2.4. H2t5, Exercise 2.5. (Exercise 1.1.) 1 1.1. Model the following problem mathematically:
LisätiedotKäytettävyys ja käyttäjätutkimus. Yhteisöt ja kommunikaatiosuunnittelu 2012 / Tero Köpsi
Käytettävyys ja käyttäjätutkimus Yhteisöt ja kommunikaatiosuunnittelu 2012 / Tero Köpsi Teron luennot Ke 15.2 miniluento Ti 28.2 viikkotehtävän anto (T,M) To 1.3 Tero paikalla (tehtävien tekoa) Ti 6.3
LisätiedotTEKSTINKÄSITTELYTEHTÄVIÄ, OSA 1
TEKSTINKÄSITTELYTEHTÄVIÄ, OSA 1 1 Perustekstejä Tehtävän tarkoituksena on varmistaa tietty perusosaaminen tekstinkäsittelystä sekä lisäksi tässä tulee mukaan myös hiukkasen suomen kielen oikeinkirjoitustakin.
LisätiedotToppila/Kivistö 10.01.2013 Vastaa kaikkin neljään tehtävään, jotka kukin arvostellaan asteikolla 0-6 pistettä.
..23 Vastaa kaikkin neljään tehtävään, jotka kukin arvostellaan asteikolla -6 pistettä. Tehtävä Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi. (a) Lineaarisen kokonaislukutehtävän
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 5.11.2013 16:44 / 1 Minimum
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotHuom. tämä kulma on yhtä suuri kuin ohjauskulman muutos. lasketaan ajoneuvon keskipisteen ympyräkaaren jänteen pituus
AS-84.327 Paikannus- ja navigointimenetelmät Ratkaisut 2.. a) Kun kuvan ajoneuvon kumpaakin pyörää pyöritetään tasaisella nopeudella, ajoneuvon rata on ympyränkaaren segmentin muotoinen. Hitaammin kulkeva
LisätiedotVAASAN YLIOPISTO Humanististen tieteiden kandidaatin tutkinto / Filosofian maisterin tutkinto
VAASAN YLIOPISTO Humanististen tieteiden kandidaatin tutkinto / Filosofian maisterin tutkinto Tämän viestinnän, nykysuomen ja englannin kandidaattiohjelman valintakokeen avulla Arvioidaan viestintävalmiuksia,
LisätiedotAkateemiset fraasit Tekstiosa
- Väitteen hyväksyminen Broadly speaking, I agree with because Samaa mieltä jostakin näkökulmasta One is very much inclined to agree with because Samaa mieltä jostakin näkökulmasta Yleisesti ottaen olen
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
VE1 SHADOW - Main Result Calculation: 8 x Nordex N131 x HH145m Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please
LisätiedotLYTH-CONS CONSISTENCY TRANSMITTER
LYTH-CONS CONSISTENCY TRANSMITTER LYTH-INSTRUMENT OY has generate new consistency transmitter with blade-system to meet high technical requirements in Pulp&Paper industries. Insurmountable advantages are
LisätiedotExercise 1. (session: )
EEN-E3001, FUNDAMENTALS IN INDUSTRIAL ENERGY ENGINEERING Exercise 1 (session: 24.1.2017) Problem 3 will be graded. The deadline for the return is on 31.1. at 12:00 am (before the exercise session). You
LisätiedotA = a b B = c d. d e f. g h i determinantti on det(c) = a(ei fh) b(di fg) + c(dh eg). Matriisin determinanttia voi merkitä myös pystyviivojen avulla:
11 Determinantti Neliömatriisille voidaan laskea luku, joka kertoo muun muassa, onko matriisi kääntyvä vai ei Tätä lukua kutsutaan matriisin determinantiksi Determinantilla on muitakin sovelluksia, mutta
LisätiedotAineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin
Aineistoista 11.2.09 IK Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin Muotoilussa kehittyneet menetelmät, lähinnä luotaimet Havainnointi:
LisätiedotJAVA-OHJELMOINTI 3 op A274615
JAVA-OHJELMOINTI 3 op A274615 Layoutit Teemu Saarelainen teemu.saarelainen@kyamk.fi Lähteet: http://java.sun.com/docs/books/tutorial/index.html Vesterholm, Kyppö: Java-ohjelmointi, Talentum 2004. Layout
LisätiedotJohdatus verkkoteoriaan 4. luento
Johdatus verkkoteoriaan 4. luento 28.11.17 Viikolla 46 läpikäydyt käsitteet Viikolla 47 läpikäydyt käsitteet Verkko eli graafi, tasoverkko, solmut, välit, alueet, suunnatut verkot, isomorfiset verkot,
Lisätiedot21~--~--~r--1~~--~--~~r--1~
- K.Loberg FYSE420 DIGITAL ELECTRONICS 13.05.2011 1. Toteuta alla esitetyn sekvenssin tuottava asynkroninen pun. Anna heratefunktiot, siirtotaulukko ja kokonaistilataulukko ( exitation functions, transition
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
Lisätiedot( ( OX2 Perkkiö. Rakennuskanta. Varjostus. 9 x N131 x HH145
OX2 9 x N131 x HH145 Rakennuskanta Asuinrakennus Lomarakennus Liike- tai julkinen rakennus Teollinen rakennus Kirkko tai kirkollinen rak. Muu rakennus Allas Varjostus 1 h/a 8 h/a 20 h/a 0 0,5 1 1,5 2 km
LisätiedotYou can check above like this: Start->Control Panel->Programs->find if Microsoft Lync or Microsoft Lync Attendeed is listed
Online Meeting Guest Online Meeting for Guest Participant Lync Attendee Installation Online kokous vierailevalle osallistujalle Lync Attendee Asennus www.ruukki.com Overview Before you can join to Ruukki
Lisätiedot