Statistiska metoder i genetik

Lärandemål

• För godkänd kurs ska studenten kunna
• Kunskap och förståelse
• förklara den teori och de antaganden som ligger till grund för sekvensanalysmetoder baserade på multinomiala modeller, Markovmodeller, gömda Markovmodeller och Monte-Carlo-simulering, samt kunna redogöra för de olika metodernas begränsningar och fördelar
• förklara de principiella skillnaderna mellan ab inito-baserade metoder och statistiskt baserade metoder
• förklara problematiken med analys av högdimensionella genomiska data
• Färdighet och förmåga
• analysera sekvensdata med hjälp av ab inito-metoder och metoder baserade på multinomiala modeller, Markovmodeller, gömda Markovmodeller och Monte Carlo- simulering, inkluderande att identifiera biologiskt relevanta (funktionella) ”open reading frames” och att kunna påvisa global och lokal sekvenslikhet mellan två sekvenser
• analysera sekvensdata för att skatta genetisk distans med hjälp av Jukes-Cantors approximation, skatta kvoten mellan antalet icke-synonyma och synonyma mutationer i två sekvenser med hjälp av Nei- och Gojoborisalgoritmen, samt kunna konstruera fylogenetiska träd med hjälp av ”the neighbor-joining algorithm”
• analysera microarray-data från två-kanals försök, inkluderande databearbetning, identifikation av påverkade variabler och gruppering av variabler
• strukturera upp ett komplext biologiskt problem, identifiera testbara hypoteser, välja lämpliga analysmetoder, identifiera och applicera lämplig mjukvara för att genomföra analyserna samt kunna tolka och värdera resultaten
• Värderingsförmåga och förhållningssätt
• värdera när det är lämpligt att använda de behandlade sekvensanalysmetoderna, metoderna för analys av genetisk variation/evolution och metoderna för analys av högdimensionella genomiska data.