Description
Book SynopsisBioinformatik Der Marktführer bei den Bioinformatiklehrbüchern in neuer Auflage und mit dem neuen Thema Molekulardynamik
Bioinformatik ist eine Kerndisziplin in den modernen Biowssenschaften, von der Biotechnologie über die Biochemie und Molekularbiologie bis zur Molekulargenetik und Molekularmedizin. Sie ist eine essenzielle Grundlage für alle “omics”-Technologien, für die Strukturbiologie, die Systembiologie sowie die synthetische Biologie.
Bioinformatik. Grundlagen, Algorithmen, Anwendungen bietet eine umfassende Einführung in die wichtigsten Methoden der Bioinformatik. Der Autor erklärt dabei sowohl die mathematischen und biologischen Grundlagen als auch die wichtigsten Software-Tools und deren Anwendungsbereiche. Schwerpunkte sind Methoden zum Sequenzvergleich, Verfahren zur Charakterisierung von Proteinfamilien, Algorithmen zur Vorhersage von Protein- und RNA-Strukturen, Methoden des maschinellen Lernens und das Proteindesign.
Für die 4. Auflage wurde der Text durchgehend aktualisiert und um ein Kapitel zur Molekulardynamik erweitert. Neu aufgenommene Exkurse zu Meilensteinen der Bioinformatik und aktuellen Anwendungsgebieten lockern den Text auf. Auf der ebenfalls komplett überarbeiteten Begleit-Webseite werden interaktive Lernmodule bereitgestellt, einschließlich mehr als 120 Übungsaufgaben, zum Teil mit Lösungen.
Eine perfekte Einführung für alle Studenten der Lebenswissenschaften oder Informatik, die einen Einblick in die gängigen Methoden der Bioinformatik benötigen, sowie ein wertvoller Begleiter für alle, die bereits bioinformatische Werkzeuge nutzen und die zugrundeliegenden Konzepte verstehen möchten.
Table of Contentsvorwort V
Teil I Grundlagen – Biologie und Datenbanken 1
1 Biologische Grundlagen 5
1.1 DNA 6
1.2 Genetischer Code und Genomkomposition 8
1.3 Transkription 12
1.4 RNA 13
1.5 Proteine 14
1.6 Peptidbindung 16
1.7 Konformation von Aminosäureseitenketten 16
1.8 Ramachandran-Plot 17
1.9 Hierarchische Beschreibung von Proteinstrukturen 18
1.10 Sekundärstrukturelemente 19
1.11 α-Helix 20
1.12 β-Faltblätter 20
1.13 Supersekundärstrukturelemente 21
1.14 Proteindomänen 22
1.15 Proteinfamilien 23
1.16 Enzyme 26
1.17 Proteinkomplexe 27
1.18 Evolutionäre Prozesse 28
1.19 Fachbegriffe 30
Literatur 33
2 Sequenzen und ihre Funktion 37
2.1 Definitionen und Operatoren 38
2.2 DNA-Sequenzen 39
2.3 Proteinsequenzen 39
2.4 Vergleich der Sequenzkomposition 41
2.5 Ontologien 45
2.6 Analyse der Anreicherung von GO-Termen 48
2.7 Semantische Ähnlichkeit von GO-Termen 48
2.7.1 Bewertung mit informationstheoretischen Ansätzen 48
2.7.2 Vergleich mit einer graphentheoretischen Methode 50
Literatur 54
3 Datenbanken 57
3.1 Nukleotidsequenzdatenbanken 58
3.2 RNA-Sequenz-Datenbanken 59
3.3 Proteinsequenzdatenbanken 60
3.4 3-D-Struktur-Datenbanken 60
3.5 SMART: Analyse der Domänenarchitektur 62
3.6 STRING: Proteine und ihre Interaktionen 62
3.7 SCOP: Strukturelle Klassifikation von Proteinen 63
3.8 Pfam: Kompilation von Proteinfamilien 66
3.9 COG und eggNOG: Gruppen orthologer Gene 68
3.10 KEGG: Gene, Genome und Krankheiten 68
3.11 NCBI-Datenbanken: Literatur und biologisches Wissen 69
3.12 Weitere Datenbanken 70
Literatur 74
Teil II Lernen, Optimieren und Entscheiden 77
4 Grundbegriffe der Stochastik 81
4.1 Grundbegriffe der beschreibenden Statistik 82
4.2 Zufallsvariable, Wahrscheinlichkeitsmaß 84
4.3 Urnenexperimente und diskrete Verteilungen 86
4.4 Die kolmogoroffschen Axiome 89
4.5 Bedingte Wahrscheinlichkeit, Unabhängigkeit, Satz von Bayes 89
4.6 Markov-Ketten 91
4.7 Erwartungswert, Varianz 91
4.8 Wichtige Wahrscheinlichkeitsverteilungen 92
4.8.1 Diskrete Verteilungen 92
4.8.2 Totalstetige Verteilungen 93
4.9 Schätzer 96
4.10 Grundlagen statistischer Tests 98
4.11 Eine optimale Entscheidungstheorie: die Neyman-Pearson-Methode 100
Literatur 101
5 Bayessche Entscheidungstheorie und Klassifikatoren 103
5.1 Bayessche Entscheidungstheorie 103
5.1.1 Ein Beispiel: Klassifikation der Proteinoberfläche 104
5.1.2 Übergang zu bedingten Wahrscheinlichkeiten 105
5.1.3 Erweitern auf m Eigenschaften 107
5.2 Marginalisieren 109
5.3 Boosting 110
5.4 ROC-Kurven 112
5.4.1 Bewerten von Fehlklassifikationen 112
5.4.2 Aufnehmen einer ROC-Kurve 112
5.5 Testmethoden für kleine Trainingsmengen 115
Literatur 117
6 Klassische Cluster- und Klassifikationsverfahren 119
6.1 Metriken und Clusteranalyse 120
6.2 Das mittlere Fehlerquadrat als Gütemaß 120
6.3 Ein einfaches iteratives Clusterverfahren 121
6.4 k-Means-Clusterverfahren 123
6.5 Hierarchische Clusterverfahren 126
6.6 Affinity propagation 127
6.7 Bewertung der Clusterverfahren 129
6.8 Überlappende Cluster 130
6.9 Nächster-Nachbar-Klassifikation 130
6.10 k-nächste-Nachbarn-Klassifikation 132
Literatur 133
7 Neuronale Netze 135
7.1 Architektur von neuronalen Netzen 136
7.2 Das Perzeptron 136
7.3 Modellieren boolscher Funktionen 138
7.4 Lösbarkeit von Klassifikationsaufgaben 139
7.5 Universelle Approximation 141
7.6 Lernen in neuronalen Netzen 143
7.7 Der Backpropagation-Algorithmus 144
7.8 Codieren der Eingabe 147
7.9 Selbstorganisierende Karten 148
7.10 Tiefe Architekturen 150
7.11 Ein einfaches Neuron, die rectified linear unit 151
7.12 Das Neocognitron als alternatives Modellierparadigma 152
7.13 Faltung mithilfe von CNNs 153
7.14 Längerfristiges Speichern von Eingabedaten 157
7.15 Attention-basierte Netze 161
Literatur 168
8 Genetische Algorithmen 171
8.1 Objekte und Funktionen 173
8.2 Ablauf des Verfahrens 174
8.3 Codieren der Problemstellung 176
8.4 Der Begriff des Schemas 176
8.5 Dynamik der Anzahl von Schemata 177
8.6 Limitationen genetischer Algorithmen 179
8.7 Genetisches Programmieren 180
Literatur 183
Teil III Algorithmen und Modelle der Bioinformatik 185
9 Paarweiser Sequenzvergleich 189
9.1 Dotplots 191
9.1.1 Definition 191
9.1.2 Beispiel 192
9.1.3 Implementierung 193
9.1.4 Abschätzen der Laufzeit 194
9.1.5 Anwendungen 195
9.1.6 Einschränkungen und Ausblick 196
9.2 Entwickeln eines optimalen Alignment-Verfahrens 198
9.2.1 Paarweise und multiple Sequenzalignments 200
9.2.2 Dynamisches Programmieren 200
9.2.3 Distanzen und Metriken 202
9.2.4 Die Minkowski-Metrik 203
9.2.5 Die Hamming-Distanz 203
9.3 Levenshtein-Distanz 204
9.3.1 Berechnungsverfahren 206
9.3.2 Ableiten des Alignments 210
9.4 Bestimmen der Ähnlichkeit von Sequenzen 210
9.4.1 Globales Alignment 210
9.4.2 Lokales Sequenzalignment 211
9.5 Optimales Bewerten von Lücken 212
9.5.1 Eigenschaften affiner Kostenfunktionen 213
9.5.2 Integration in Algorithmen 213
9.6 Einordnung der Algorithmen 215
Literatur 216
10 Sequenzmotive 219
10.1 Signaturen 220
10.2 Die PROSITE-Datenbank 221
10.3 Die BLOCKS-Datenbank 221
10.4 Sequenzprofile 222
10.5 Scores für Promotorsequenzen 224
10.6 Möglichkeiten und Grenzen profilbasierter Klassifikation 224
10.7 Sequenzlogos 225
10.8 Konsensussequenzen 226
10.9 Sequenzen niedriger Komplexität 227
10.10 Der SEG-Algorithmus 228
Literatur 231
11 Scoring-Schemata 233
11.1 Theorie von Scoring-Matrizen 234
11.2 Algorithmenbedingte Anforderungen 237
11.3 Identitätsmatrizen 237
11.4 PAM-Einheit 238
11.5 PAM-Matrizen 238
11.6 Ein moderner PAM-Ersatz: die JTT-Matrix 240
11.7 BLOSUM-Matrizen 241
11.8 Matrixentropie 243
11.9 Scoring-Schemata und Anwendungen 244
11.10 Flexible Erweiterung: Scoring-Funktionen 245
Literatur 247
12 FASTA und die BLAST-Suite 249
12.1 FASTA 250
12.1.1 Programmablauf 250
12.1.2 Statistische Bewertung der Treffer 252
12.2 BLAST 255
12.2.1 Konzepte und Umsetzung 256
12.2.2 Statistik von Alignments 259
12.2.3 Ausgabe der Treffer 264
12.3 Vergleich der Empfindlichkeit von FASTA und BLAST 264
12.4 Ansätze zur Performanzsteigerung 265
12.5 Profilbasierter Sequenzvergleich 266
12.6 PSI-BLAST 267
12.7 Sensitivität verschiedener Sequenzvergleichsmethoden 269
12.8 Vergleich von Profilen und Konsensussequenzen 270
12.9 DELTA-BLAST 271
12.10 Alternative Ansätze 275
Literatur 276
13 Multiple Sequenzalignments und Anwendungen 279
13.1 Berechnen von Scores für multiple Sequenzalignments 281
13.2 Iteratives Berechnen eines Alignments 282
13.3 ClustalW: Ein klassischer Algorithmus 283
13.3.1 Grundlegende Konzepte 283
13.3.2 Algorithmus 283
13.3.3 Ein Beispiel: MSA für Trypsininhibitoren 284
13.4 T-Coffee 286
13.5 M-Coffee und 3D-Coffee 289
13.6 Alternative Ansätze 291
13.7 Alignieren großer Datensätze mit Clustal Omega 292
13.8 Alignieren großer Proteinsequenzdatensätze mit DECIPHER 293
13.9 Charakterisierung von Residuen mithilfe von Alignments 296
13.9.1 Entwickeln der Scoring-Funktion 297
13.9.2 FRpred: Vorhersage funktionell wichtiger Residuen 297
13.9.3 SDPpred: Vergleich homologer Proteine mit unterschiedlicher Spezifität 298
13.10 Alignment von DNA- und RNA-Sequenzen 300
Literatur 301
14 Grundlagen phylogenetischer Analysen 303
14.1 Einteilung phylogenetischer Ansätze 307
14.2 Distanzbasierte Verfahren 307
14.2.1 Ultrametrische Matrizen 308
14.2.2 Additive Matrizen 309
14.3 Linkage-Algorithmen 311
14.4 Der Neighbour-Joining-Algorithmus 313
14.5 Parsimony-Methoden 314
14.6 Maximum-Likelihood-Ansätze 317
14.6.1 Übergangswahrscheinlichkeiten für DNA-Sequenzen 318
14.6.2 Empirische Modelle der Proteinevolution 319
14.6.3 Berechnen der Likelihood eines Baumes 321
14.6.4 Quartett-Puzzle: Heuristik zum Finden einer Topologie 323
14.7 Grundannahmen phylogenetischer Algorithmen 325
14.8 Statistische Bewertung phylogenetischer Bäume 326
14.8.1 Validierung durch Outgroups 327
14.8.2 Bootstrap-Verfahren und A-posteriori-Wahrscheinlichkeiten 327
14.8.3 Alternativen und Ergebnisse 329
Literatur 332
15 Markov-Ketten und Hidden-Markov-Modelle 335
15.1 Ein epigenetisches Signal: CpG-Inseln 335
15.2 Finite Markov-Ketten 336
15.3 Kombination zweier Ketten zu einem Klassifikator 337
15.4 Genvorhersage mithilfe inhomogener Ketten 340
15.5 Hidden-Markov-Modelle 343
15.6 Der Viterbi-Pfad 346
15.7 Ein HMM zur Erkennung von CpG-Inseln 348
15.8 Der Vorwärts- und der Rückwärtsalgorithmus 349
15.9 Schätzen von Parametern 351
15.10 Der Baum-Welch-Algorithmus 352
15.11 Entwurf von HMMs 354
15.12 Verwendung und Grenzen von HMMs 356
15.13 Wichtige Eigenschaften von Markov-Ketten 357
15.14 Markov-Ketten-Monte-Carlo-Verfahren 359
15.14.1 Monte-Carlo-Integration 359
15.14.2 Metropolis-Hastings-Algorithmus 360
15.14.3 Simulated annealing 361
15.14.4 Gibbs-Sampler 362
15.15 Weitere Anwendungen von Markov-Ketten 362
Literatur 366
16 Profil-HMMs 369
16.1 HMM-Struktur zur Beschreibung von Proteinfamilien 370
16.2 Suche nach homologen Sequenzen 373
16.3 Modellbau für Profil-HMMs 376
16.4 Approximieren von Wahrscheinlichkeitsdichten 380
16.5 HHsearch: Vergleich zweier Profil-HMMs 386
16.5.1 Grundlagen des Alignments von zwei Hidden-Markov-Ketten 387
16.5.2 Paarweises Alignment von HMMs 390
16.5.3 Performanz von HHsearch 391
16.5.4 Strukturvorhersage mit HHsearch 393
Literatur 395
17 Support-Vektor-Maschinen 397
17.1 Beschreibung des Klassifikationsproblems 398
17.2 Lineare Klassifikatoren 399
17.3 Klassifizieren mit großer Margin 403
17.4 Kernel-Funktionen und Merkmalsräume 405
17.5 Implizite Abbildung in den Merkmalsraum 407
17.6 Eigenschaften von Kernel-Funktionen 408
17.7 Häufig verwendete Kernel-Funktionen 409
17.8 Aus Merkmalen abgeleitete Kernel-Funktionen 410
17.9 Support-Vektor-Maschinen in der Anwendung 416
17.10 Multiklassen-SVM 419
17.11 Theoretischer Hintergrund 420
Literatur 424
18 Vorhersage der Sekundärstruktur 427
18.1 Vorhersage der Proteinsekundärstruktur 427
18.1.1 Ein früher Ansatz: Chou-Fasman-Verfahren 428
18.1.2 PHD: profilbasierte Vorhersage 429
18.2 Vorhersage der RNA-Sekundärstruktur 436
18.2.1 RNA-Sequenzen und -Strukturen 438
18.2.2 Freie Energie und Strukturen 439
18.2.3 Sekundärstrukturvorhersage durch Energieminimierung 440
18.2.4 Strukturen mit Schleifen 442
18.2.5 MEA-Verfahren zur Vorhersage von Strukturen mit Pseudoknoten 444
18.2.6 Strukturvorhersage mithilfe von multiplen Sequenzalignments 447
Literatur 449
19 Vergleich von Protein-3-D-Strukturen 451
19.1 Grundlagen des Strukturvergleichs 453
19.2 Simulated annealing 455
19.3 DALI: fragmentbasierte Superposition 458
19.3.1 Scores für Substrukturen 459
19.3.2 Alignieren von Substrukturen 459
19.4 Fr-TM-align: Alignieren von Fragmenten 461
19.5 SPalignNS: optimales Kombinieren von Residuenpaaren 462
19.6 FAST: Vergleich der lokalen Geometrie 463
19.7 DeepAlign: Verwenden eines Strukturalphabets 466
19.8 Multiple Superpositionen 471
Literatur 474
20 Vorhersage der Protein-3-D-Struktur, Proteindesign und Moleküldynamik 477
20.1 Threading-Verfahren 482
20.2 3D-1D-Profile: profilbasiertes Threading 484
20.2.1 Bestimmen der lokalen Umgebung 484
20.2.2 Erzeugen eines 3-D-1-D-Profils 486
20.3 Wissensbasierte Kraftfelder 489
20.3.1 Theoretische Grundlagen 490
20.3.2 Ableiten der Potenziale 493
20.4 Rotamerbibliotheken 494
20.5 MODELLER 499
20.6 Bewerten der Modellqualität 504
20.7 Alternative Modellieransätze 504
20.8 ROSETTA/ROBETTA 505
20.8.1 De-novo-Strukturvorhersage mit ROSETTA 506
20.8.2 Verfeinerung der Fragmentinsertion 508
20.8.3 Modellieren strukturell variabler Regionen 508
20.8.4 Proteindesign mithilfe von ROSETTA 510
20.9 Moleküldynamiksimulationen 517
20.9.1 Physikalische Grundlagen von MD-Simulationen 518
20.9.2 Berechnungsverfahren 519
20.9.3 Berechnen der Interaktionen mithilfe von Kraftfeldern 521
20.9.4 Spezielle Hardware beschleunigt die Simulationen 522
Literatur 523
21 Analyse integraler Membranproteine 527
21.1 Architektur integraler Membranproteine 528
21.2 Spezifische Probleme beim Sequenzvergleich 530
21.3 Vorhersage der Topologie von α-helikalen IMPs 530
21.3.1 HMMTOP 531
21.3.2 MEMSAT-SVM 532
21.3.3 Ein Metaansatz: TOPCONS 2 534
21.4 Vorhersage der Struktur von β-Fässern 535
21.4.1 TMBpro 535
21.4.2 PRED-TMBB 2 537
21.4.3 BOCTOPUS 2 539
21.4.4 Alternative Ansätze und Homologiemodellierung 541
Literatur 541
22 Entschlüsselung von Genomen 545
22.1 Shotgun-Sequenzierung 549
22.2 Erwartete Anzahl von Contigs beim Shotgun-Ansatz 550
22.3 Basecalling und Sequenzqualität 551
22.4 Der klassische Assemblieransatz 553
22.4.1 Phase eins: Bestimmen überlappender Präfix-Suffix-Regionen 554
22.4.2 Phase zwei: Erzeugen von Contigs 556
22.4.3 Phase drei: Generieren der Konsensussequenz 556
22.5 Assemblieren kurzer Fragmente 558
22.6 Assemblieren langer und fehlerbehafteter Reads 561
22.7 Annotation kompletter Genome 565
22.8 Metagenomik 570
22.8.1 Spezielle Anforderungen an die Bioinformatik 571
22.8.2 Minimalanforderungen für die Metagenomannotation 573
Literatur 574
23 Auswertung von Transkriptomdaten 579
23.1 DNA-Chip-Technologie 579
23.1.1 Datenbanken für Transkriptomdaten 581
23.1.2 Grenzen der Technologie 582
23.2 Analyse von DNA-Chip-Signalen 583
23.2.1 Quantifizierung von Expressionswerten 583
23.2.2 Normalisieren und Datenreduktion 584
23.3 Identifizieren differenziell exprimierter Gene 586
23.4 RNA-Sequenzierung 587
23.5 Analyse der RNA-Sequenzen 588
23.6 Einzelzell-RNA-Sequenzierung 591
23.7 Metriken zum Vergleich von Expressionsdaten 591
23.8 Analyse kompletter Expressionsdatensätze 593
23.8.1 Anwenden von Clusterverfahren 593
23.8.2 Validierung und Alternativen 593
23.9 Hauptkomponentenanalyse 594
23.10 Biclusterverfahren 597
23.10.1 ISA: ein performantes Biclusterverfahren 597
23.10.2 Der Signaturalgorithmus 598
23.10.3 Iterative Optimierung 601
23.10.4 QUBIC2: Ein graphenbasiertes Biclusterverfahren 602
23.11 Grenzen und Alternativen bei der Expressionsanalyse 604
23.12 Genexpressions-Profiling 605
23.13 Visualisieren mithilfe von Wärmekarten 606
23.13.1 Der klassische Ansatz 607
23.14 Datenaufbereitung für systembiologische Fragestellungen 607
23.14.1 Bündelung von Datenbankinformation 608
23.14.2 Statistische Analyse der Termverteilung 609
23.14.3 Verwendbarkeit der Verfahren 610
Literatur 612
24 Analyse von Protein-Protein-Interaktionen 615
24.1 Biologische Bedeutung des Interaktoms 615
24.2 Methoden zum Bestimmen des Interaktoms 616
24.3 Vergleich von Codonhäufigkeiten 618
24.4 Analyse des Genominhaltes 619
24.4.1 Genfusion 619
24.4.2 Phyletische Profile 620
24.4.3 Analyse von Genfolgen 622
24.4.4 Performanz sequenzbasierter Methoden 623
24.5 Suche nach korrelierten Mutationen 624
24.5.1 Erzeugen sortierter MSA-Paare 624
24.5.2 Identifizieren korrelierter Mutationen 625
24.6 Vergleich phylogenetischer Bäume 627
24.6.1 Die Mirror-Tree-Methode 627
24.6.2 Korrektur des Hintergrundsignals 629
24.6.3 Ein alternativer Ansatz, der auf einem Nullmodell basiert 630
24.7 Vorhersage des Interaktoms der Hefe 631
24.8 Strukturbasierte Protein-Protein-Interaktionsvorhersagen 634
24.8.1 Vorhersagen basierend auf Strukturinformation 635
24.8.2 PrePPI: Integration zusätzlicher Merkmale 637
24.9 Netzwerkbasierte Protein-Protein-Interaktionsvorhersagen 640
Literatur 642
25 Big Data und Deep Learning: neue Herausforderungen und Möglichkeiten 645
25.1 Klassifikation mit Random Forests 647
25.1.1 Entscheidungsbäume 647
25.1.2 Berechnen der Topologie 649
25.1.3 RF-Algorithmus 652
25.1.4 Theoretische Klassifikationsleistung eines RFs 653
25.1.5 Problemlösungen für konkrete Anwendungen 654
25.1.6 Auswahl informativer Eigenschaften 655
25.1.7 Bioinformatische Anwendungen 657
25.2 Sequenzbasierte Vorhersage der Protein-3-D-Struktur 658
25.2.1 Experimentelle Proteinstrukturaufklärung 659
25.2.2 Berechnen von Co-Variationssignalen 660
25.2.3 PSICOV: Vorhersage räumlich benachbarter Residuenpaare 663
25.2.4 Vorhersage der 3-D-Struktur mithilfe von Kontaktinformation 665
25.2.5 Alternative Nutzung von Kopplungssignalen 665
25.3 Berechnen einer Feinstruktur großer Proteinfamilien 666
25.3.1 MCL: Clustern mithilfe stochastischer Matrizen 667
25.3.2 Cytoscape: Visualisierung von Netzwerkclustern 669
25.4 Positionierung von Nukleosomen 670
25.4.1 Chromatin und Nukleosomen 671
25.4.2 NucleoFinder: ein statistischer Ansatz zur Vorhersage von Nukleosomenpositionen 672
25.5 Auswertung großer Datensätze mit tiefen Lernverfahren 676
25.5.1 DL-basierte Vorhersage der Proteinstruktur 677
25.5.2 AlphaFold2 und RoseTTAFold 680
25.5.3 Erkennen von Translationsinitiationsstellen 683
25.5.4 DeepCpG bestimmt den Methylierungsstatus in einzelnen Zellen 684
25.6 Analyse des menschlichen Genoms mithilfe von ENCODE-Daten 686
25.6.1 Datentypen 687
25.6.2 Genome Browser 689
Literatur 692
26 Zum Schluss 699
26.1 Informatik in schwierigem Umfeld 699
26.2 Ungelöste Probleme und Herausforderungen 701
Literatur 704
Stichwortverzeichnis 705
