Graafialgoritmit laskennal-lisessa systeemibiologiassa

1. Graafialgoritmit laskennal-lisessa systeemibiologiassa Graph Algorithms in Computational Systems Biology Työn valvoja ja ohjaaja: Prof. Patric Östergård, TKK tietoliikennelaboratorio Diplomityöesitelmä 18.5.2004 Vesa Riihimäki, 51670L

2. Sisältö • Biologinen tausta • Mitä on systeemibiologia? • Graafit ja algoritmit • Graafisovellukset biologiassa • CASE: RNA-rakenteen ennustaminen • Yhteenveto

3. Biologinen tausta • Elävät organismit koostuvat soluista • Solut koostuvat erilaisista molekyyleistä, mm proteiinit • Solun tumassa (eukaryooteilla) kromosomisto, joka koostuu DNAsta A->G->T->T->A->C->C->A->G

4. Genetiikka • DNA kopioidaan RNAksi ja edelleen proteiiniksi • DNAssa olevat geenit koodaavat proteiinisekvenssin • 1 kodoni = 3 nukleotidia = 1 aminohappo J. Setubal, J. Meidanis. Introduction to computational molecular biology. Brooks/Cole Publishing Company, Pacific Grove, CA, 1997.

5. DNA ja RNA • DNA • sisältää geneettisen informaation • kaksijuostekierre • RNA • useita tehtäviä: mRNA, tRNA, rRNA • monimuotoinen yksijuostesekvenssi • laskostuu ja muodostaa valesolmuja • sekvenssi eroaa DNAsta: tymiinin tilalla urasiili

6. Proteiini • Solun rakenneaine • Laskostunut polypeptidiketju J. Setubal, J. Meidanis. Introduction to computational molecular biology. Brooks/Cole Publishing Company, Pacific Grove, CA, 1997.

7. Mitä on systeemibiologia? • Ajatus monitasoisen biologisen rakenteen kokonaisvaltaisesta mallintamisesta • Tavoitteena simulointi • Ajankohtaiset ongelmat: • sekvensointi • molekyylien 3D-rakenteen ennustaminen T. Reiss. Systems of Life; Systems Biology. Federal Ministry of Education and Research, Bonn, 2002

8. Graafit ja algoritmit • Graafi koostuu solmuista ja niiden välisistä kaarista, mahdollisesti myös painot • Graafi on malli samankaltaisten osien suhteista toisiinsa • Algortimi on ongelman ratkaisuun johtava listaus suoritettavia toimenpiteitä • Tehokkuusanalyysi laskennallisten ohjelmien kehittämisessä

9. Graafisovellukset biologiassa • Kolme hyötyä tuottavaa näkökulmaa • graafi biologisen rakenteen mallina (molekyylit, sekvenssit, bioverkot, taksonomia) • biologinen ongelma ratkeaa graafiongelmana • biologinen ongelma ratkeaa osittain graafiongelmana • Sekvensointi, molekyylirakenteiden ennustaminen, geenisäätelyverkot, tietokannat

10. CASE: RNA-rakenteen ennustaminen • RNAn rakenne vaikuttaa sen toimintaan • Silmukat, rinnasteet, valesolmut • Nukleotidit solmuja ja mahdolliset sidokset kaaria

11. CASE: RNA-rakenteen ennustaminen (jatkuu) • Solmujen pariutus on riippumattomien kaarien poimimista • Maksimipariutuksessa mahdollisimman monta kaarta • Painotetussa pariutuksessa poimittujen kaarien painosummaa pyritään maksimoimaan • Painotuksena käytetään kahden nukleotidin välisen sidoksen todennäköisyyttä

12. CASE: RNA-rakenteen ennustaminen (jatkuu) • Nukleotidien välisille sidoksille annetaan arvot parametrien (ja datan) mukaisesti • Etsitään painotetun graafin maksimipariutus • Pariutus on ennuste nukleotidien välisistä sidoksista • Laskentatehokkuus ~O(N3)

13. Yhteenveto ongelmista • Lyhimmän polun ongelma • Yhtenäiset komponentit • Rakennegraafi • Pariutus • Eulerin polku ja kiinalaisen postimiehen ongelma • Hamiltonin polku • Klikki ja riippumaton joukko • Graafi-isomorfismi

14. Yhteenveto työstä • Graafit helpottavat biologisten laskentaongelmien ratkaisemista • Sekvensointi ja molekyylirakenteen ennustaminen aktiivisen tutkimuksen kohteena • Menetelmien kehittämiseen vaaditaan kahden perinteisesti erillään olleen alan tuntemusta

15. Kysymyksiä? Kiitos!