Bio-informatica is een snel opkomend veld in de moderne samenleving. Het gaat om het samenbrengen van biologische gegevens en softwaretools die het begrijpelijker maken. Laten we graven en meer te weten komen.
Aan het einde van dit onderwerp wordt van u verwacht dat u;
Bioinformatica verwijst naar een interdisciplinair veld dat verantwoordelijk is voor het ontwikkelen van methoden en softwaretools die worden gebruikt voor het begrijpen van biologische gegevens . De term "Bio-informatica" werd oorspronkelijk bedacht door Ben Hesper en Paulien Hogewen in 1970. Als interdisciplinair wetenschapsgebied combineert bio-informatica statistiek, wiskunde, informatie-engineering, biologie en informatica. Het belangrijkste doel van bio-informatica is het analyseren en interpreteren van biologische gegevens. In silico- analyses van biologische zoekopdrachten zijn gedaan door informatica met behulp van statistische en wiskundige technieken.
Bioinformatica omvat biologische studies die computerprogrammering als methodologie gebruiken, voornamelijk op het gebied van genomica . Belangrijke toepassingen van bio-informatica zijn onder meer de identificatie van kandidaatgenen en single nucleotide polymorphisms (SNP's). Dergelijke identificaties worden vaak gedaan met het doel de genetische basis van unieke aanpassingen, ziekten, gewenste eigenschappen of verschillen tussen populaties beter te begrijpen. Op een minder formele manier probeert bioinformatica ook de organisatorische principes te begrijpen binnen de eiwit- en nucleïnezuursequenties die bekend staan als proteomics .
Bio-informatica is een belangrijk onderdeel geworden van veel biologische gebieden. In de experimentele moleculaire biologie maken bioinformatica-technieken zoals beeld- en signaalverwerking het mogelijk om bruikbare resultaten te extraheren uit grote hoeveelheden ruwe data. Bioinformatica helpt bij het sequencen en annoteren van genomen en hun waargenomen mutaties op het gebied van genetica . Het speelt ook een rol bij de analyse van eiwit- en genexpressie en -regulatie. Instrumenten van bio-informatica helpen bij het vergelijken, analyseren en interpreteren van genomische en genetische gegevens, en meer in het algemeen bij het begrijpen van evolutionaire aspecten van de moleculaire biologie. In de structurele biologie helpt het bij de simulatie en modellering van DNA, RNA, eiwitten en biomoleculaire interacties.
Begin jaren vijftig bepaalde Frederick Sanger de volgorde van insuline. Hierna kwamen eiwitsequenties algemeen beschikbaar. Het werd onpraktisch om meerdere sequenties handmatig te vergelijken. Dit verhoogde de rol van computers in de moleculaire biologie. Later werden methoden voor sequentie-uitlijning en moleculaire evolutie vrijgegeven. In de jaren 70 werden nieuwe technieken voor het sequencen van DNA toegepast op bacteriofaag MS2 en øX174, en de uitgebreide nucleotidesequenties werden vervolgens ontleed met informatieve en statistische algoritmen. Deze studies illustreerden dat bekende kenmerken, zoals de coderende segmenten en de triplet-code, worden onthuld in eenvoudige statistische analyses en waren dus het bewijs van het concept dat bio-informatica inzichtelijk zou zijn.
Om de manier te bestuderen waarop normale cellulaire activiteiten veranderen in verschillende ziektetoestanden, moeten biologische gegevens worden gecombineerd om een alomvattend beeld van deze activiteiten te vormen. Daarom is de bio-informatica zo geëvolueerd dat de meest dringende taak nu de analyse en interpretatie van verschillende soorten gegevens is. Dit omvat eiwitstructuren, eiwitdomeinen, aminozuur- en nucleotidesequenties.
Computationele biologie is de term die wordt gegeven aan het feitelijke proces van het analyseren en interpreteren van biologische gegevens. Belangrijke subdisciplines in bio-informatica en computationele biologie zijn onder meer;
Het belangrijkste doel van bio-informatica is om het begrip van biologische processen te vergroten. Wat het onderscheidt van andere benaderingen is de focus op het ontwikkelen en toepassen van rekenintensieve technieken om dit doel te bereiken. Voorbeelden zijn visualisatie, machine learning-algoritmen, datamining en patroonherkenning. Belangrijke onderzoeksinspanningen in het veld omvatten het vinden van genen, sequentie-uitlijning, medicijnontwerp, genoomassemblage, medicijnontdekking, voorspelling van de eiwitstructuur, uitlijning van de eiwitstructuur, celdeling of mitose en het modelleren van evolutie.
