Обчислювальна біологія

🔬 Основні напрямки

Передбачення структури білків

Визначення тривимірної структури білків з амінокислотної послідовності. Методи: гомологічне моделювання, ab initio, AlphaFold (deep learning), молекулярна динаміка. Критично для розуміння функції, дизайну ліків, інженерії білків.

Аналіз послідовностей

Вирівнювання послідовностей, пошук гомологій, передбачення функції, аналіз мотивів, передбачення епітопів. Інструменти: BLAST, HMMER, PSI-BLAST. Важливо для анотації геномів, еволюційного аналізу.

Геноміка

Аналіз геномів: секвенування, асемблія, анотація, порівняльна геноміка, структурна геноміка. Ідентифікація генів, регуляторних елементів, варіантів. Персоналізована медицина, діагностика, еволюція.

Протеоміка

Аналіз протеомів: ідентифікація білків, кількісна протеоміка, PTM (post-translational modifications), взаємодії білок-білок. Масов-спектрометрія + обчислювальні методи. Розуміння біологічних процесів.

Системна біологія

Моделювання біологічних систем: метаболічні шляхи, сигнальні мережі, регуляторні мережі. Математичні моделі, кінетичне моделювання, flux balance analysis. Розуміння комплексності біологічних систем.

Філогенетика

Реконструкція еволюційних відносин через філогенетичні дерева. Методи: maximum likelihood, Bayesian inference, neighbor-joining. Еволюція, таксономія, біорізноманіття, походження захворювань.

💻 Обчислювальні методи

Машинне навчання

Deep learning для передбачення структури (AlphaFold), класифікація, регресія. Random forest, SVM для класифікації, feature selection. Нейронні мережі для pattern recognition у біологічних даних.

Статистичні методи

Тести значущості, корекція для множинного тестування (FDR, Bonferroni), регресійний аналіз, кластерний аналіз. Важливо для геноміки, протеоміки, транскриптоміки з високим рівнем шуму.

Алгоритми та структури даних

Динамічне програмування (Needleman-Wunsch, Smith-Waterman), графові алгоритми для мереж, деревні структури для філогенетики, hash-таблиці для швидкого пошуку.

Молекулярна динаміка

Симуляція руху атомів у часі для розуміння динаміки білків, взаємодій, конформаційних змін. Обчислювально інтенсивне, але дає унікальну інформацію про поведінку біомолекул.

🗄️ Бази даних та ресурси

NCBI (National Center for Biotechnology Information)

GenBank (геномні послідовності), PubMed (література), BLAST, RefSeq. Центральний ресурс для геноміки та біоінформатики. Безкоштовний доступ до величезних обсягів даних.

UniProt

Універсальна база даних білкових послідовностей та функцій. Анотації, варіанти, взаємодії, структури. Критично для досліджень білків.

PDB (Protein Data Bank)

База даних експериментально визначених структур білків, ДНК, РНК. X-ray, cryo-EM, NMR структури. Критично для структурної біології, гомологічного моделювання.

KEGG, Reactome, BioCyc

Бази даних метаболічних шляхів, сигнальних мереж, біологічних процесів. Інтеграція знань про біологію, системна біологія, аналіз шляхів.

🏭 Застосування

Відкриття ліків

Virtual screening, передбачення взаємодій ліків-білок, оптимізація сполук, передбачення ADMET властивостей. Прискорення процесу, зменшення вартості, покращення успішності.

Персоналізована медицина

Аналіз геномів пацієнтів, передбачення відповіді на ліки (фармакогеноміка), ідентифікація мутацій, що викликають захворювання, стратифікація пацієнтів.

Діагностика

Аналіз секвенування для ідентифікації патогенів, мутацій, біомаркерів. Метагеноміка, секвенування нового покоління (NGS), біоінформатичні пайплайни.

Біотехнологія

Дизайн білків, оптимізація ферментів, метаболічна інженерія, передбачення стабільності, функції. Комп'ютерний дизайн перед експериментальною перевіркою.

🧮 Практичні приклади

Використайте AlphaFold для передбачення структури невідомого білка та аналізуйте його функцію на основі структури.

Проведіть філогенетичний аналіз для реконструкції еволюційних відносин між видами на основі геномних даних.

Розробіть пайплайн для аналізу NGS даних для ідентифікації мутацій, пов'язаних із захворюванням.

Створіть модель метаболічного шляху та проаналізуйте вплив мутацій на flux через шлях.

Застосуйте машинне навчання для передбачення функції білка на основі послідовності та структури.

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Protein Folding Visualiser і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.