Учебник Биоинформатика для начинающих

Программа курса

1. 1 Введение: зачем нужна биоинформатика

   1. Что такое биоинформатика

      Биоинформатика — наука об анализе биологических данных компьютером. Зачем она нужна, как появилась и почему программисту здесь есть место.

   2. От лаборатории к данным: секвенирование

      Откуда берутся биоинформатические данные: как ДНК превращается в текстовый файл, что такое риды, покрытие и почему сборка генома — это пазл.

   3. Биоинформатика и соседние дисциплины

      Как биоинформатика опирается на алгоритмы, структуры данных, статистику и машинное обучение, и чем отличается от смежной вычислительной биологии.

2. 2 Немного биологии для программиста

   1. ДНК: четыре буквы и двойная спираль

      ДНК для программиста: алфавит A/T/G/C, двойная спираль, комплементарность пар оснований и почему это позволяет ДНК копироваться.

   2. РНК и центральная догма молекулярной биологии

      Чем РНК отличается от ДНК (U вместо T), что такое центральная догма ДНК→РНК→белок и зачем биоинформатике эта схема.

   3. Гены, белки и 20 аминокислот

      Что такое ген, как из последовательности получается белок, что такое 20 аминокислот и почему белок — это тоже строка, только в другом алфавите.

3. 3 Представление последовательностей

   1. Последовательности как строки

      Почему ДНК, РНК и белок удобно представлять обычными строками Python, какие операции это даёт бесплатно и где кроются подвохи.

   2. Формат FASTA: как хранят геномы

      Устройство формата FASTA — стандарта хранения последовательностей. Парсим многозаписный FASTA на чистом Python и считаем статистику.

   3. Формат FASTQ: последовательности с качеством

      FASTQ хранит риды вместе с качеством каждого основания. Разбираем 4-строчную структуру, декодируем Phred-качество и фильтруем риды на чистом Python.

4. 4 Базовые операции с последовательностями

   1. GC-состав и нуклеотидная статистика

      Что такое GC-состав, почему он важен биологам, как его считать и применять в скользящем окне вдоль генома.

   2. Комплемент и обратный комплемент

      Как построить комплементарную и обратную комплементарную нить ДНК, чем они отличаются и зачем обратный комплемент нужен для чтения второй нити.

   3. Транскрипция и сборка базовых операций

      Транскрипция ДНК в РНК в коде, объединение базовых операций в небольшой инструментарий и обработка обеих нитей сразу.

5. 5 Генетический код и трансляция

   1. Генетический код и таблица кодонов

      Как 4 буквы кодируют 20 аминокислот: кодоны, таблица генетического кода, вырожденность и почему код почти универсален.

   2. Трансляция: от мРНК к белку

      Реализуем трансляцию мРНК в белок на чистом Python: разбиение на кодоны, старт и стоп, и переводим реальный фрагмент гена.

   3. Открытые рамки считывания и поиск генов

      Что такое ORF, как найти все открытые рамки считывания в шести рамках генома на чистом Python и почему это база предсказания генов.

6. 6 Поиск паттернов и мутации

   1. Поиск подстроки и мотивов

      Как искать все вхождения мотива в последовательность, почему встроенного find мало и как найти перекрывающиеся вхождения на чистом Python.

   2. Рестрикционные сайты и неоднозначные мотивы

      Поиск рестрикционных сайтов, кодирование неоднозначных мотивов через IUPAC и регулярные выражения для гибкого поиска паттернов в ДНК.

   3. Расстояние Хэмминга и мутации

      Расстояние Хэмминга как мера числа мутаций, приближённый поиск мотива с допуском ошибок и связь с точечными заменами в ДНК.

7. 7 k-меры и состав последовательностей

   1. k-меры: подсчёт и частоты

      Что такое k-меры, как разбить последовательность на k-меры и подсчитать их частоты на чистом Python, и зачем это нужно в биоинформатике.

   2. Индексация генома по k-мерам

      Как построить k-мерный индекс для мгновенного поиска в геноме, почему это в разы быстрее наивного перебора и как устроены реальные выравниватели.

   3. Граф де Брёйна и идея сборки

      Как из k-меров строится граф де Брёйна, почему сборка генома сводится к поиску пути в графе и в чём сложность на реальных данных.

8. 8 Выравнивание последовательностей

   1. Зачем выравнивать и точечные матрицы

      Зачем сравнивают последовательности, что такое гомология и сходство, и как точечная матрица (dot plot) визуально показывает похожие участки.

   2. Глобальное выравнивание: Нидлмана-Вунша

      Алгоритм Нидлмана-Вунша: глобальное выравнивание двух последовательностей динамическим программированием с матрицей, штрафами и трассировкой — на чистом Python.

   3. Локальное выравнивание: Смита-Ватермана

      Алгоритм Смита-Ватермана для локального выравнивания: поиск максимально похожего участка двух последовательностей с обнулением отрицательных счётов — на чистом Python.

   4. Матрицы замен и идея BLAST

      Зачем нужны матрицы замен BLOSUM и PAM для белков и как устроена эвристика BLAST для быстрого поиска по огромным базам последовательностей.

9. 9 Филогенетика и сборка генома

   1. Множественное выравнивание: обзор

      Зачем выравнивают сразу много последовательностей, почему это вычислительно трудно и как работает прогрессивное множественное выравнивание.

   2. Филогенетика: эволюционные деревья

      Что такое филогенетическое дерево, как читать его топологию, и что значат корень, узлы и длины ветвей в эволюционной реконструкции.

   3. Строим дерево: UPGMA

      Реализуем построение филогенетического дерева методом UPGMA из матрицы расстояний между последовательностями — на чистом Python на маленьком примере.

   4. Сборка генома: пазл из миллионов кусочков

      Почему сборка генома — это сложнейший пазл, как перекрытия ридов и граф де Брёйна позволяют его собрать и что такое контиги и скэффолды.

10. 10 Омиксные данные, медицина и этика

    1. Экспрессия генов и кластеризация

       Что такое экспрессия генов и матрица экспрессии, как находить гены со схожим поведением кластеризацией и в чём связь с машинным обучением.

    2. Вариации, SNP и базы данных биологии

       Что такое генетические вариации и SNP, как их находят и хранят в формате VCF, и где лежат биологические данные: GenBank, UniProt, Ensembl.

    3. Biopython и экосистема инструментов

       Что умеет Biopython и зачем он нужен, обзор экосистемы биоинформатических инструментов и пайплайнов, и когда писать своё, а когда брать готовое.

    4. Статистика в биоинформатике: p-value и FDR

       Почему при тестировании тысяч генов нельзя смотреть на сырой p-value, что такое проблема множественных сравнений и как её решают поправки Бонферрони и FDR.

    5. Геномная медицина, этика и мини-проекты

       Как геномика меняет медицину, почему генетические данные требуют особой защиты (152-ФЗ, GDPR) и три мини-проекта, собирающие навыки курса воедино.