<p>Willkommen zu Woche 2 des Kurses!</p> <p>In dieser Woche stellen wir ein Paradigma vor, das Burrows-Wheeler-Transformation genannt wird; nachdem wir gesehen haben, wie es bei der String-Kompression eingesetzt werden kann, werden wir zeigen, dass es auch die Grundlage moderner Read-Mapping-Algorithmen ist.</p>

<p>Willkommen zu Woche 3 des Kurses!</p> <p>Letzte Woche haben wir gesehen, wie die Burrows-Wheeler-Transformation auf den Abgleich mehrerer Muster angewendet werden kann. In dieser Woche werden wir unseren Algorithmus beschleunigen und ihn für den Fall verallgemeinern, dass Muster Fehler aufweisen, was das biologische Problem der Zuordnung von fehlerhaften Reads zu einem Referenzgenom modelliert.</p>

<p>Willkommen zu Woche 4 des Kurses!</p> <p>In dieser Woche beginnen wir damit, den Fall des Alignments von Sequenzen mit vielen Mutationen zu untersuchen - wie z.B. verwandte Gene aus verschiedenen HIV-Stämmen - und sehen, dass unsere Problemformulierung für das Sequenz-Alignment für stark divergierende Sequenzen nicht angemessen ist.</p> <p>Um unsere Algorithmen zu verbessern, werden wir ein Machine-Learning-Paradigma einführen, das als verstecktes Markov-Modell bezeichnet wird, und sehen, wie dynamische Programmierung uns hilft, Fragen zu diesen Modellen zu beantworten.</p>

<p>Willkommen zu Woche 5 des Kurses!</p> <p>Letzte Woche haben wir versteckte Markov-Modelle eingeführt. In dieser Woche werden wir sehen, wie Hidden Markov-Modelle auf das Sequenz-Alignment mit einem Profil-HMM angewendet werden können. Anschließend werden wir einige fortgeschrittene Themen in diesem Bereich betrachten, die mit den fortgeschrittenen Methoden zusammenhängen, die wir in einem früheren Kurs für das Clustering betrachtet haben.</p> <p>

<p>Willkommen zur sechsten und letzten Unterrichtswoche!</p> <p>Diese Woche bringt unsere Application Challenge, in der wir die von uns entwickelten HMM-Sequenzabgleichsalgorithmen anwenden.</p>