Симулятор прочтений генома (проект): различия между версиями

Текущая версия от 07:52, 20 октября 2015


Ментор	Колесниченко Игнатий
Учебный семестр	Весна 2015
Учебный курс	1-й курс


Содержание 1 Что это за проект? 2 Чему вы научитесь? 3 Какие начальные требования? 4 Какие будут использоваться технологии? 5 Темы вводных занятий 6 Направления развития 7 Критерии оценки

Что это за проект?

Задача состоит в том, чтобы написать программу, которая генерирует случайные прочтения генома. Данная программа крайне полезна для тестирования различных алгоритмов выравнивания (https://ru.wikipedia.org/wiki/Картирование_коротких_прочтений). Также будет необходимо измерить качество различных алгоритмов выравнивания на симулированных данных.

Чему вы научитесь?

Вы узнаете:

Что такое секвенирование генома нового поколения, и как обрабатываются его данные.
Какие ошибки бывают в данной технологии и как такие ошибки можно симулировать искусственным образом.
Как сравнивать различные выравниватели и визуализировать результаты сравнения.

Какие начальные требования?

Необходимо на базовом уровне знать C++ и Python, а также желание разобраться в том, как анализируется геном.

Какие будут использоваться технологии?

В процессе работы необходимо будет работать с разными форматами представлени геномных данных (fastq, fasta, sam, bam) а также запускать различные программы для их обработки (BWA, Bowtie, Shrimp).

Темы вводных занятий

Введение в молекулярную биологию: что такое ДНК, геном, белки, мутации.
Алгоритмы выравнивания коротких прочтений.

Направления развития

Научиться генерировать разные типа ошибок: точечные мутации, короткие инсерции/делеции, длинные инсерции/делеции, транслокации.
Научиться учитывать специфику различных секвенаторов: падение качества выравнивания ближе к концу рида, парные риды, высокая частота точечных делеций и.т.д

Критерии оценки

4-5 – необходимо написать простейший алгоритм генерации случайных прочтений, учитывающий точечные мутации. С помощью сгенерированных данных необходимо измерить качество хотя бы двух выравнивателей.
6-7 – алгоритм должен уметь генерировать инсерции и делеции, иметь разные настройки про желаемое покрытие, частоту мутаций и пр.
8-10 – генерация данных специфичных для различных выравнивателей и сравнение качества работы различных специфичных выравнивателей с учетом полученных данных. Добавление в сравнение качества коллеров мутаций.

@@ Строка 1: / Строка 1: @@
 {{Карточка_проекта
-|name=Симулятор прочтений генома
+|name=Симулятор случайных прочтений генома
 |mentor=Колесниченко Игнатий
-|mentor_login={{URLENCODE:{{REVISIONUSER}}|WIKI}}
+|mentor_login={{URLENCODE:Ignat|WIKI}}
 |semester=Весна 2015
 |course=1
-|summer=on
+|summer=
 |categorize=yes
+|is_archived=yes
 }}
@@ Строка 14: / Строка 15: @@
 === Чему вы научитесь? ===
 Вы узнаете:
-# Что такое секвенирование нового поколения, и как обрабатываются его данные.
+* Что такое секвенирование генома нового поколения, и как обрабатываются его данные.
-# Какие ошибки бывают в данной технологии и как такие ошибки можно симулировать искусственным образом.
+* Какие ошибки бывают в данной технологии и как такие ошибки можно симулировать искусственным образом.
-# Как сравнивать различные симуляторы и визуализировать результаты сравнения.
+* Как сравнивать различные выравниватели и визуализировать результаты сравнения.
 === Какие начальные требования? ===
-Необходимо на базовом уровне знать C++ и Python а также желание разобраться в том как анализируется геном.
+Необходимо на базовом уровне знать C++ и Python, а также желание разобраться в том, как анализируется геном.
 === Какие будут использоваться технологии? ===
-В процессе работы необходимо будет работать с разными форматы представлени геномных данных (fastq, fasta, sam, bam) а также запускать различные программы для их обработки (BWA, Bowtie, Shrimp).
+В процессе работы необходимо будет работать с разными форматами представлени геномных данных (fastq, fasta, sam, bam) а также запускать различные программы для их обработки (BWA, Bowtie, Shrimp).
 === Темы вводных занятий ===
-Предварительно, понадобится два вводных занятия:
+* Введение в молекулярную биологию: что такое ДНК, геном, белки, мутации.
-. Введение в молекулярную биологию: что такое ДНК, геном, белки, мутации.
+* Алгоритмы выравнивания коротких прочтений.
-. Алгоритмы выравнивания коротких прочтений.
 === Направления развития ===
-Можно научиться генерировать разные типа ошибок: точечные мутации, которкие инсерции/делеции, длинные инсерции/делеции, транслокации. Также можно научиться учитывать специфику различных секвенаторов: падение качества выравнивания ближе к концу рида, парные риды, высокая частота точечных делеций и.т.д
+* Научиться генерировать разные типа ошибок: точечные мутации, короткие инсерции/делеции, длинные инсерции/делеции, транслокации.
+* Научиться учитывать специфику различных секвенаторов: падение качества выравнивания ближе к концу рида, парные риды, высокая частота точечных делеций и.т.д
 === Критерии оценки ===
--5: необходимо написать простейший алгоритм генерации случайных прочтений, учитывающий точечные мутации.  С помощью сгенерированных данных необходимо измерить качество хотя бы двух выравнивателей.
+* 4-5 – необходимо написать простейший алгоритм генерации случайных прочтений, учитывающий точечные мутации.  С помощью сгенерированных данных необходимо измерить качество хотя бы двух выравнивателей.
--7: алгоритм должен уметь генерировать инсерции и делеции, иметь разные настройки про желаемое покрытие, частоту мутаций и пр.
+* 6-7 – алгоритм должен уметь генерировать инсерции и делеции, иметь разные настройки про желаемое покрытие, частоту мутаций и пр.
--10: генерация данных специфичных для различных выравнивателей и сравнение специфичных качества работы различных выравнивателей с учетом полученных данных.
+* 8-10 – генерация данных специфичных для различных выравнивателей и сравнение качества работы различных специфичных выравнивателей с учетом полученных данных. Добавление в сравнение качества коллеров мутаций.