Studenti budou umět:

• Zpracovat funkčně genetická data z RT-qPCR, DNA čipů a vysoce výkonného sekvenování.

• Pomocí explorativní analýzy dat validovat výsledky laboratorního experimentu.

• Statisticky analyzovat funkčně genetická data a provést jejich biologickou interpretaci.

• Navrhnout experiment s ohledem na technologické artefakty jednotlivých metod.

Students will be able to:

• Process RT-qPCR, DNA chips and high-throughput sequencing functional genetics data.

• Validate experimental results using exploratory data analysis.

• Use statistical methods to analyse and interpret functional genetics data.

• Effectively design experiment taking into account caveats of individual experimental approaches.

Z: Zvárová J, Mazura I (eds.), Metody molekulární biologie a bioinformatiky, Karolinum, Praha 2013, ISBN: 978-8024621500

D: Tevfik Dorak, M. (ed.), Real-time PCR (Advanced Methods), Taylor & Francis 2006, ISBN: 978-0415377348

D: Cedric Gondro, Primer to Analysis of Genomic Data Using R, Springer International Publishing 2015, ISBN 978-3-319-14475-7

D: Eija Korpelainen, Jarno Tuimala, Panu Somervuo, Mikael Huss, Garry Wong, RNA-seq Data Analysis: A Practical Approach, Chapman and Hall/CRC 2014, ISBN 9781466595002

R: Zvárová J, Mazura I (eds.), Metody molekulární biologie a bioinformatiky, Karolinum, Praha 2013, ISBN: 978-8024621500

A: Tevfik Dorak, M. (ed.), Real-time PCR (Advanced Methods), Taylor & Francis 2006, ISBN: 978-0415377348

A: Cedric Gondro, Primer to Analysis of Genomic Data Using R, Springer International Publishing 2015, ISBN 978-3-319-14475-7

A: Eija Korpelainen, Jarno Tuimala, Panu Somervuo, Mikael Huss, Garry Wong, RNA-seq Data Analysis: A Practical Approach, Chapman and Hall/CRC 2014, ISBN 9781466595002

žádné

none

Na konci semestru studenti presentují výsledky úkolů a skládají písemnou zkoušku.

1. Úvod. Druhy funkčně genetických dat. Cíle analýz.

2. Předzpracování RT-qPCR dat: Design primerů a prób. Standardní křivka.

3. Předzpracování RT-qPCR dat: Amplifikační křivka. Prahový cyklus. Korekce pozadí. Normalizace dat.

4. Předzpracování dat z transkripčních čipů: Odstranění šumu na pozadí. Normalizace dat. Relativní a absolutní kvantifikace.

5. Předzpracování dat z transkripčních čipů: Stabilizace rozptylu. Sumarizace intenzitních hodnot.

6. Vysoce výkonné sekvenování: Čtení. Mapování čtení. Četnosti čtení.

7. Další aplikace diskutovaných metodik: analýza jednonukleotidových polymorfismů a chromosomálních aberací (SNP, CNV, LOH). Metylace DNA.

8. Explorativní analýza: Redukce dimenzionality. Shlukování. Kontrolní body.

9. Lineární modely. Problém mnohonásobnosti testů.

10. Klasifikační metody.

11. Design experimentu a využití randomizace. Replikace.

12. Anotace a archivace výsledků: Genomové prohlížeče a databáze expresních dat.

13. Biologická interpretace: Analýza nabohacení v genových skupinách (GSEA). Databáze signálních drah. Genové ontologie.

14. Integrace s interakčními daty: Síťové analýzy. Databáze interakčních dat.

1. Introduction. Types of functional genetics data. Aims of the anlyses.

2. RT-qPCR data preprocessing: Primer and probe design. Standard curve.

3. RT-qPCR data preprocessing: Amplification curve. Threshold cycle. Background correction. Data normalization.

4. Transcription chips data preprocessing: Noise removal. Data normalization. Relative and absolute quantification.

5. Transcription chips data preprocessing: Variance stabilization. Summarization of intensity values.

6. High-throughput sequencing: Reading and mapping.

7. Further applications: Analysis of single nucleotide polymorphisms and chromosomal abberations. DNA methylation.

8. Expolratory data analysis: Dimensionality reduction. Clustering. Control points.

9. Linear models. Problem of test multiplicity.

10. Classification methods.

11. Design of experiments and randomization. Replication.

12. Annotation and results archivation: Genomic browsers and expression databases.

13. Biological interpretation: Gene Set Enrichment Analysis (GSEA). Database of signalling pathways. Gene ontologies.

14. Integration with interaction data: Network analysis. Database of interaction data.

Biochemie, Molekulární genetika

Biochemistry, Molecular genetics

Na konci semestru studenti presentují výsledky úkolů a skládají písemnou zkoušku.

During the term students work on various projects. The final exam consists of the presentation of projects and of a written test.