Skip to main content
main-content

Über dieses Buch

Dieses Buch bietet eine packende Einführung in das am schnellsten wachsende Gebiet der Biologie mit leicht nachvollziehbaren Beispielen und einem gut aufbereiteten Anhang für die Leserschaft, um so gleich alles direkt nachkochen und miterleben zu können.

Das Buch holt den Leser und die Leserin bei den Grundlagen ab, wie man zum Beispiel Sequenzinformationen einfach findet und dann analysiert. In weiteren Kapiteln gehen die Autoren auf die verschiedenen Analysemöglichkeiten von RNA, DNA und Proteinen bis hin zu ganzen Stoffwechselwegen ein. Dabei werden in jedem Kapitel spannende Beispiele aus der Biologie gewählt, die zur Veranschaulichung der Analyse dienen. Jedes Kapitel wird mit einem Übungsteil abgeschlossen, welches das Gelernte sogleich zur Anwendung bringt.

Das Thema dieses Buches ist ein Muss für jeden Biologiestudierenden, ob Bachelor- oder Masterstudium, da die Bioinformatik mittlerweile erstaunliche Einsichten in die molekularen Grundlagen aller Lebewesen zutage fördert. Informatikstudierende und andere Studierende aus angrenzenden Naturwissenschaften bekommen einen guten Einstieg in die Bioinformatik, denn neben der Software werden systematisch die Biologie und aktuelle Themen (z.B. KI) Schritt für Schritt eingeführt.

Entdecken Sie gemeinsam mit den Autoren den Schlüssel zum Leben und lernen Sie die Sprache des Lebens verstehen.

Inhaltsverzeichnis

Frontmatter

Wie funktioniert Bioinformatik?

Frontmatter

Kapitel 1. Sequenzanalyse: Die Sprache des Lebens entziffern

Zusammenfassung
Sequenzanalyse ist das zentrale Werkzeug der Bioinformatik mit einschlägigen Datenbanken (NCBI, GenBank, Swiss-Prot) und Software zum Erkennen der Sequenzähnlichkeit (BLAST) sowie Domänendatenbanken (Pfam, SMART). Entscheidend ist die Fähigkeit solche Software im Web zu kennen und zu nutzen, die Tutorials und Übungsaufgaben regen dazu an. Programmieren von Sequenzvergleichssoftware und Datenbanken ist erst sinnvoll, wenn dadurch eine bessere Analyse der biologischen Fragestellung möglich ist – in allen anderen Fällen nutzen Sie besser die zahlreiche Software, die es schon gibt, das Internet ist nur einen Mausklick weit entfernt.
Thomas Dandekar, Meik Kunz

Kapitel 2. Magische RNA

Zusammenfassung
Etwa die Hälfte des Genoms des Menschen wird aktiv als RNA transkribiert, neue regulatorische und nicht Protein-kodierende RNA-Typen wie miRNAs und lncRNAs in höheren Zellen und das CRISPR/Cas9-System aus Bakterien unterstreichen die Wichtigkeit von RNA für die Molekularbiologie. Typischerweise analysiert man RNA-Sequenz, -Struktur und Faltungsenergie orientierend zunächst mit der RNAAnalyzer-Software, der Rfam-Datenbank und dem RNAfold-Server. GEO- und GeneVestigator-Datenbanken zeigen Genexpressionsunterschiede, die vertieft mit R und Bioconductor als Skriptsprache und Programm-Framework analysiert werden können. Beides sind wichtige Werkzeuge, sie müssen aber wie eine Sprache erlernt werden, um dann selber Anleitungen für die biostatistische Analyse schreiben zu können (sogenannte „Skripte“). Nicht-kodierende RNA ist auch für Krankheiten wichtig, und Bioinformatik hilft, dies aufzudecken, z. B. die Chast-lncRNA bei der Herzinsuffizienz.
Thomas Dandekar, Meik Kunz

Kapitel 3. Genome – molekulare Landkarten von Lebewesen

Zusammenfassung
Aufbauend auf Sequenzvergleichen assemblieren spezielle Algorithmen die Sequenzfragmente moderner Sequenzierungstechniken. Nachdem in den 1990er-Jahren bakterielle Genome und das Hefezellgenom vollständig sequenziert und bioinformatisch analysiert wurden, folgten ab 2001 Humangenom und zahlreiche weitere eukaryotische (Zellen mit Zellkern) Genome. Die Erkennung der Funktion einzelner Gene erfolgt durch Sequenzvergleiche: Proteinfunktionsanalyse (s. Kap. 1), aber auch Annotation der regulatorischen Genomelemente (ENCODE-Konsortium) sind Hauptaufgaben der Genomanalyse. Es liegt für fast alle bekannteren Organismen die Genomsequenz vor. Man kann damit die wesentlichen molekularen Bestandteile dieser Organismen erfolgreich vorhersagen.
Thomas Dandekar, Meik Kunz

Kapitel 4. Stoffwechsel modellieren und neue Antibiotika finden

Zusammenfassung
Metabolische Modellierung erlaubt es, den Stoffwechsel im Detail zu analysieren. Biochemisches Wissen und Datenbanken wie KEGG bestimmen den Satz aller beteiligter Enzyme. Sodann kann man berechnen, welche Stoffwechselwege und Enzymketten die Metabolite in einem Netzwerk im Gleichgewicht halten (Flux-Balance-Analyse), welche davon auch nicht mehr zerlegbar sind (Elementarmodenanalyse) und welche davon ausreichen, um alle realen Stoffwechselsituationen durch die Kombination von wenigen reinen Flux-Moden darzustellen (extreme pathway analysis). Um die Flussstärke zu berechnen, braucht man weitere Daten, z. B. Genexpressionsdaten und Software (z. B. YANA-Programme). Weiterführende Analysen betrachten die metabolische Kontrolle (metabolische Kontrolltheorie) und beschreiben die Geschwindigkeiten (Kinetik) der beteiligten Enzyme genauer. Dies erlaubt, den Stoffwechsel besser zu beschreiben und zu verstehen, essentielle Gene und resultierende Antibiotika ebenso vorherzusagen wie Stoffwechselantworten, etwa beim Tumorwachstum.
Thomas Dandekar, Meik Kunz

Kapitel 5. Systembiologie und Krankheitsursachen aufdecken

Zusammenfassung
Die systembiologische Modellierung von Signalkaskaden und Protein-Netzwerken erlaubt vertiefte Einblicke in die Funktion der beteiligten Proteine und hilft dadurch Krankheitsursachen zu verstehen, Infektionsprozesse und Immunantworten besser zu beschreiben oder auch komplexe Vorgänge in der Biologie, wie Zelldifferenzierung und Neurobiologie, aufzuklären. Stärker mathematische Modelle beschreiben Signalnetzwerke genau in der Änderung im Zeitverlauf und ihre Geschwindigkeit mithilfe von Differentialgleichungen. Dies erklärt den Vorgang genau, verbringt aber zusätzlich Zeit z. B. mit dem Ermitteln der Geschwindigkeiten (Kinetik; Zeitreihenanalyse). Boole’sche Modelle benötigen dagegen als Information nur welche Proteine im Netzwerk beteiligt sind und welches Protein mit welchen anderen Proteinen wie interagiert (aktivierend oder hemmend). Auf einem Booleschen Modell aufbauende Simulationen (z. B. mit SQUAD oder Jimena) müssen iterativ in vielen Zyklen überprüft werden, ob denn das Verhalten in dem Computermodell auch zu dem tatsächlich im Experiment beobachteten Ausgang zumindest qualitativ passt. Das Computermodell wird also Schritt für Schritt an die Daten angepasst (Data-Driven-Modeling; Daten-getriebene Modellierung).
Thomas Dandekar, Meik Kunz

Wie verstehe ich Bioinformatik?

Frontmatter

Kapitel 6. Superschnelle Sequenzvergleiche erkennen, welche Moleküle vorliegen

Zusammenfassung
Bei dem BLAST-Server am NCBI (National Center of Biotechnology Information) bekommt man in Sekunden bis wenigen Minuten schon eine Antwort. Ermöglicht wird dies durch schnelle, aber nicht ganz exakte Suchen. Solche Heuristiken verwenden fast alle der schnellen Bioinformatikprogramme im Netz. Bei BLAST werden zum Beispiel erst zwei kurze, aber perfekte Trefferalignments in einem Datenbankeintrag vorgetestet, bevor ein exaktes Alignment mit dem Datenbankeintrag durchgeführt wird und so sehr viel Rechenzeit gespart: Indizierung der Datenbank (Sie schlagen ja auch in diesem Buch über das Inhaltsverzeichnis sehr viel schneller nach als mit Durchblättern). Neben dem Tempo sind auch Sensitivität (erkenne ich alle relevanten Einträge?) und Spezifität (bekomme ich auch nicht zu viel unrelevante Einträge?) für eine gute heuristische Suche wichtig.
Thomas Dandekar, Meik Kunz

Kapitel 7. Signalkaskaden durch Messen der kodierten Information besser verstehen

Zusammenfassung
Wie viel Information in einer Botschaft steckt, hat Shannon messbar gemacht. Es wird ausgerechnet, wie viel Bit Information in jedem Teil (Wort, Nukleotid, etc.) einer Botschaft steckt. Interessanterweise kann man so jede Menge Codes, Sprachen und Kodierungen in der Zelle identifizieren. Da lebendige Zellen keine Computer sind, sondern zahlreiche biochemische Reaktionen gleichzeitig nebeneinander und teilweise recht ungeordnet ablaufen und damit für viel Unruhe und Störungen sorgen, ist es wichtig, diese Information möglichst klar zu senden, etwa Signale durch Signalkaskaden zu verstärken. Je präziser das Signal in der Zelle verstanden und umgesetzt wird, umso besser überlebt die Zelle. Deswegen sorgte schon der Überlebensdruck dafür, dass die genetische Information gut kodiert wird und gut in verschiedene weitere Codes übertragen wird. Diese Codes kann wieder die Bioinformatik für gute Vorhersagen „knacken“, beispielsweise für die Sequenzanalyse.
Thomas Dandekar, Meik Kunz

Kapitel 8. Wann hört ein Computer zu rechnen auf?

Zusammenfassung
Die Frage, wann denn ein Bioinformatikproblem zu Ende gerechnet sein wird, ist bei Problemen mit eingebauter Kombinatorik schwer zu beantworten. Alan Turing hat allgemein alle berechenbaren Probleme mithilfe der Turing-Maschine, einem idealisierten, abstrakten Computer, nachgebildet. Alle nicht Turing-berechenbaren Probleme können nicht von Computern gelöst werden und bleiben Aufgaben für den Menschen. Viele besonders interessante Probleme der Bioinformatik sind NP-Probleme (Nichtdeterministisch polynomiale Komplexität), beispielsweise die Vorhersage der Proteinstruktur sowie die meisten Netzwerk- und Signalberechnungen oder Bildverarbeitung. Allgemein kann man durch leistungsstärkere Computer, durch Bündeln vieler Rechnerknoten (Parallelisierung) und durch Application Specific Chips auch direkt die Rechnerleistung verstärken, etwa bei Omics-Daten.
Thomas Dandekar, Meik Kunz

Kapitel 9. Komplexe Systeme verhalten sich grundsätzlich ähnlich

Zusammenfassung
Biologische Systeme sind selbst regulierend und erhalten den eigenen Systemzustand (Attraktor). Dabei helfen negative Rückkoppelungsschleifen (Feedback loop) ein Überschießen zu verhindern, positive Aktivierungsschleifen (Feedforward loop) aktivieren das System, wenn es zu schwach ist (z. B.: Herzschlag). Die Bioinformatik kann hier zentrale Schlüsselelemente gezielt erschließen (z. B. zentrale Signalkaskaden; hochverknüpfte Proteine im Zentrum, sogenannte „Hubs“; Sequenz- und Systemstrukturanalysen etwa mit Interaktomik und Gen-Ontologie), durch deren Zusammentreten erst das Systemverhalten wesentlich zu Stande kommt („Emergenz“). Dabei geht man von der maschinenlesbar beschriebenen Systemstruktur aus (Software Cytoscape, CellDesigner u. a.), um dann die Dynamik nachzustellen (z. B. SQUAD, Jimena, CellNetAnalyzer), wobei der Vergleich mit den Experimenten viele („iterative“) Modellverbesserungen erfordert. Systembiologie ist das wichtigste Zukunftsgebiet der Bioinformatik, gerade in Verknüpfung mit molekularer Medizin, Neurobiologie und Systemökologie, modernen Omics-Techniken und bioinformatischer Auswertung (R/Statistik; Read-Mapping und Assembly; Metagenom).
Thomas Dandekar, Meik Kunz

Kapitel 10. Evolution mit dem Computer besser vergleichen

Zusammenfassung
Die Evolution von Populationen schafft neue Arten, das einzelne Lebewesen oder Protein ist ja in engen Rahmen durch das spezifische Genom festgelegt. Es entstehen immer neue Populationen mit immer neuen typischen Merkmalen (durch Mutation und bei sexueller Vermehrung durch Rekombination), die eine nahezu optimale Anpassung an die vorherrschende Umwelt erlauben, weniger umweltbezogene Merkmale werden seltener in der Population weiter vererbt (Selektion). Viele Varianten sind aber auch neutral oder es treten erst schlagartig neue Strukturen auf, wenn genug Mutationen vorliegen (neutrale Pfade bei RNA-Strukturen; „punctuated equilibrium“ nach Gould). Phylogenie (Stammbaumkunde) hilft, die Evolution verschiedener Spezies an Hand der geteilten oder nicht geteilten Merkmale über berechnete Vorgänger zu erschließen. Dabei gibt es schnellere (Neighbor joining) und genauere Methoden (Parsimony, am genauesten Maximum Likelihood). Begleitende Sequenz- und Sekundärstrukturanalysen zeigen konservierte und variable Bereiche sowie die Evolution der funktionellen Domänen. Möglichst genaue Stammbäume erfordern viel Übung und den systematischen Vergleich aller verfügbaren Informationen (z. B. alternative Stammbäume; Markerproteine).
Thomas Dandekar, Meik Kunz

Chapter 11. Design-Prinzipien einer Zelle

Zusammenfassung
Die Design-Prinzipien einer Zelle können bioinformatisch im Detail durch Sequenzanalysen und aufwendigere Verfahren entschlüsselt werden. Regulation, die Lokalisation von Proteinen, ihr Transport und ihre Sekretion sind ebenfalls genau in der Zelle kodiert und für die geordnete Struktur der Zelle entscheidend. Moderne Bild-gebende Verfahren und Imaging-Software helfen, diese Vorhersagen zu validieren. Wichtig ist auch die Klassifizierung aller zellulären Prozesse durch die Analyse der Gen-Ontologie. Kombiniert mit Informationen über das Protein–Protein-Interaktom kann das resultierende zelluläre Netzwerk mithilfe von Software wie CellDesigner oder Cytoscape nachvollzogen werden, z. B. sind für die Bewegung der Zelle Motorproteine und das Aktin-Myosin-Zytoskelett entscheidend. Stoffwechsel-„Design“ wird über Datenbanken wie KEGG schnell abgefragt oder über metabolische Modellierung (z. B. mit YANA oder Metatool) genauer berechnet. Komplexe Signalnetzwerke sind für schnelle Reaktionen (Stressantwort, Chemotaxis bei Bakterien) und insbesondere für die Vielzelligkeit wichtig. Sie werden mit dynamischer Modellierung im Detail modelliert (Zelldifferenzierung, Tumorentstehung, Embryologie, Entzündungsprozesse, Nervensystem).
Thomas Dandekar, Meik Kunz

Was ist das magisch Faszinierende an Bioinformatik?

Frontmatter

Kapitel 12. Leben entwickelt immer neue Information im Dialog mit der Umwelt

Zusammenfassung
Alle Moleküle einer Zelle stehen eng miteinander in Bezug. Nur diese Kontext-bezogene Information hat wirklich Bedeutung. Sie vermittelt das Verhalten der Zelle, das für das Überleben wichtig und richtig ist. Druckfehler werden in der Population ständig weg selektiert. Datenbanksuchen und Sequenzvergleiche erschließen diese biologische Bedeutung (in der Praxis meist die Funktion des verglichenen Moleküls). Diese ist stark an Sequenzelemente und eine definierte Struktur gebunden, Zufallssequenzen ergeben keinen biologischen Sinn. Schon die Domänen in einem Enzym beziehen sich aufeinander, z. B. bei der Glutathionreduktase: Zu der katalytischen Domäne gibt es die passenden zwei Kofaktor-Domänen (für FAD, NAD), die optimale regulatorische Domäne und auch die Dimerisierungsdomäne, sonst würde das Enzym nicht funktionieren. Ebenso überprüft man die Stimmigkeit von Sequenzanalysen. Alles muss zueinander passen, ergeben sich Widersprüche, war eine der Teilanalyseergebnisse noch nicht richtig eingeordnet. Auch auf der Ebene der Proteinnetzwerke bezieht sich alles aufeinander, es können durch Netzwerkanalysen entziffert werden: Zentrale Proteine (‚Hubs‘), Signalkaskaden und Störsignale sowie modifizierenden Input (‚Cross-talk‘). Ein faszinierendes und anschauliches Beispiel ist die ‚subway map of cancer pathways‘.
Thomas Dandekar, Meik Kunz

Kapitel 13. Leben erfindet immer neue Ebenen der Sprache

Zusammenfassung
Leben erfindet immer neue Ebenen der Sprache (DNA, Neuronen, menschliche Sprache, Computercode, Internet). Das Internet macht u. a. Bioinformatik-Software und biologisches Wissen (PubMed, Open-Access-Publikationen) weltweit zugänglich. Dazu wird über einen Domain Name Server (DNS) die Internetprotokolladresse (IP) in leicht lesbare Adressen umgeschrieben. Synthetische Biologie nutzt biologische Prozesse für technische Anwendungen, z. B. klassische Biotechnologie (Mikroorganismen stellen Zitronensäure, Erythropoetin oder Insulin her), moderner sind ganze Schaltkreise (MIT parts list oder Biobricks, IGEM competition). Solche Prozesse beschreiben die GoSynthetic-Datenbank und die MIT BioBricks. Auch Drug-Design mithilfe von in silico-Screens und molekularer Dynamik-Simulationen verkürzt die Entwicklung von Medikamenten spürbar. Natürliches und analoges Rechnen nutzen z. B. Schleimpilze für komplexe Berechnungen. Der Nanozellulose-Chip ist potentiell heutigen Computerchips überlegen. Er nutzt DNA zum Speichern und lichtgesteuerte Polymerasen und Exonukleasen zum Ein- und Auslesen der gespeicherten Information. Über die Nanozellulosemembran wirken modulierende Proteine und Prozesse elektronisch. Neue Kombinationen von Molekularbiologie, Nanotechnologie und moderner Elektronik haben riesiges zukünftiges Technologiepotential.
Thomas Dandekar, Meik Kunz

Kapitel 14. Wir können über uns nachdenken – der Computer nicht

Zusammenfassung
Ein Computer kann über sich selbst nicht nachdenken, denn formale Systeme haben hier grundsätzliche Schranken (von Gödel und Turing exakt bewiesen). Menschen (und Lebewesen im Allgemeinen) denken zwar nicht formal exakt, können aber deshalb erfolgreicher über sich selbst bzw. alle grundsätzlichen Fragen nachdenken. Ziele und Werte müssen und sollten deshalb immer die Menschen vorgeben, besonders wenn die Computer immer mächtiger werden. Künstliche Intelligenz, insbesondere Deep Learning-Algorithmen und neuronale Netzwerke verhelfen den Fähigkeiten des Computers zu einem weiteren starken Aufschwung. Je mehr Eigenschaften eines Lebewesens nachgebildet werden (z. B. agieren in einer künstlichen Umwelt; nachbilden von Sprache und Emotionen), umso stärker werden seine Fähigkeiten. Bioinformatisch können die Eigenschaften der künstlichen Intelligenz beispielsweise für moderne Bildverarbeitung direkt genutzt werden, aber auch ganz allgemein zum Erkennen komplexer Eigenschaften („feature extraction“), Mustererkennung aus großen Datenmengen („Trainingsdatensatz“) und danach auch für einzelne Moleküle oder Sequenzen (Vorhersagen, beispielsweise für die Sekundärstruktur im Protein, für die Lokalisation in der Zelle etc.).
Thomas Dandekar, Meik Kunz

Kapitel 15. Wie ist unser eigenes, extrem leistungsfähiges Gehirn aufgebaut?

Zusammenfassung
Unser Gehirn bekommt durch seine modulare Bauweise die Fähigkeit zu denken. Dabei werden Nervenzellverbände trainiert wie neuronale Netzwerke im Computer. Training und Übung festigen oder löschen Synapsen. In den assoziativen Regionen unseres Großhirns liegen so viele Nervenverknüpfungen vor, dass es vorteilhaft wird, integriert und nicht lokal Information zu verarbeiten. Es entstehen Interferenzmuster ähnlich einem Hologramm. Die Bioinformatik dekodiert neuromolekulare Signale auf vielen Ebenen: Genetische Faktoren der neuronalen Reifung und Krankheiten, die man mithilfe der OMIM-Datenbank, Genom- und Transkriptomanalysen erhellen kann. Auf der Ebene der Nervenzelle können Proteinstrukturen, insbesondere Rezeptoren und ihre Aktivierung mit Proteinstrukturanalysen, molekularer Dynamik und Datenbanken (z. B. DrumPID-, PDB-Datenbank) im Detail beschrieben werden sowie zugrunde liegende zelluläre Netzwerke, Protein–Protein-Interaktionen und beteiligte Signalkaskaden. Gehirnbaupläne, sogenannte Konnektome (‚Connectome‘), liegen schon für C. elegans vor und werden intensiv für andere Modellorganismen und den Menschen vorangebracht. Zahlreiche Spezialsoftware steht für klinische Auswertungen (EEG, Computertomogramme) zur Verfügung (‚Medizinische Informatik‘), aber auch für neurobiologische Experimente (z. B. ein neuronal activity detection tool).
Thomas Dandekar, Meik Kunz

Kapitel 16. Bioinformatik verbindet das Leben mit dem Universum und dem ganzen Rest

Zusammenfassung
Bioinformatik hilft das Leben besser zu verstehen. Ganz gleich, ob man mehr die Anpassung bewundert (Phylogenie, Sequenzanalyse), den Stoffwechsel (metabolische Modellierung, Enzymdatenbanken) oder die Regulation dieser Anpassungen (Systembiologie). Ein roter Faden bei allen großen Herausforderungen der Bioinformatik ist das Erklimmen einer neuen Sprachebene und sich damit dem eigentlichen Wesen biologischer Regulation tiefer zu nähern, Forward- und Feedback-Loops versteht, stabile Systemzustände erkennt, Ökosystem-Modellierung, Klima oder Evolution betrachtet. Aktives Hinterfragen gefährlicher Digitalisierung schützt die kreative Freiheit des Internets. Bioinformatik hilft, das Internet besser zu verstehen und das ‚Internet der Dinge‘ durch Software und Datenbanken zu unterstützen. Die Bioinformatik hilft neue, kreative und nachhaltige Technologien voranzutreiben (synthetische Biologie, Nanotechnologie, 3-D-Drucker, künstliche Gewebe etc.). Digitalisierung mithilfe der Bioinformatik ist ein Schrittmacher der molekularen Medizin. Bioinformatik zeigt zudem in mathematischen Modellen von Ökosystemen Grenzen des Wachstums (z. B. Verhulst-Gleichung für bakterielles Wachstum) und resultierende sinnvolle, angepasste Systemstrategien auf.
Thomas Dandekar, Meik Kunz

Kapitel 17. Schlussbetrachtung und Zusammenfassung

Zusammenfassung
Bioinformatik ist wegen der großen Datenmengen mittlerweile in aller Munde. Computational Biology benutzt aber auch den Computer, um gute Biologie zu machen, was unser Hauptanliegen ist. Durch immer neue Daten und die Anwendung der Datenanalyse auf tiefe biologische Fragen, die durch die neuen Daten überhaupt erst jetzt beantwortet werden können, werden wir in diesem Jahrhundert mithilfe der Bioinformatik das faszinierende Neuland der modernen molekularen Medizin und der molekularen Biologie viel besser und kundiger betreten als ohne sie.
Thomas Dandekar, Meik Kunz

Glossar, Tutorial, Lösungen und Weblinks

Frontmatter

Kapitel 18. Glossar

Zusammenfassung
Das Glossar erklärt und definiert wichtige Begriffe der Bioinformatik. Wir können hier nur die wichtigsten Begriffe erklären. Das Feld entwickelt sich rasch und ist ja zwischen zwei Disziplinen, der Biologie und der Informatik, angesiedelt. Es ist damit in der Menge der Grundbegriffe etwas anspruchsvoller, als wenn es nur um ein Fach gehen würde. Zuerst geben wir eine kurze Definition, erklären dann Details und geben bei komplexen Begriffen Beispiele an.
Thomas Dandekar, Meik Kunz

Kapitel 19. Tutorial: ein Überblick zu wichtigen Datenbanken und Programmen

Zusammenfassung
Die Tutorials sind dafür gedacht, Sie im Überblick einmal durch wichtige Analyseschritte und zugehörige Softwares zu führen, die im Buch vorkommen, sodass Sie beim Üben lernen, das Richtige zu machen. Dabei haben wir versucht, auch einige Tipps zu geben. Es ist wie immer: Üben ist nötig! Es ist ziemlich einfach, die Software einmal durch Klicken kennenzulernen, aber sie zu benutzen, lernt man nur durch Wiederholen und indem man sich über die zugrunde liegenden Algorithmen und Parameter informiert. Die Tutorials und Tipps sind hier lediglich eine Hilfestellung, dies etwas leichter zu können, sind aber selbstverständlich kein Ersatz für einen Kurs. Trotzdem können Sie begleitend zum Buch durch Üben und die Tutorials die Programme viel besser kennenlernen, als sich nur mit dem Buch zu beschäftigen: Denn wie überall gilt auch für die Bioinformatik: Üben, Üben, Üben und genau hinschauen.
Thomas Dandekar, Meik Kunz

Kapitel 20. Lösungen zu den Übungsaufgaben

Zusammenfassung
In diesem Teil geben wir Lösungsvorschläge und zusätzliche Erklärungen zu den Übungsaufgaben.
Thomas Dandekar, Meik Kunz

Backmatter

Weitere Informationen

Premium Partner

    Bildnachweise