45

Biosimulation (Subject) / Prüfungsfragen (Lesson)

This lesson was created by Nightpain.

Learn lesson

This lesson is not released for learning.

back  |  next 1 / 1

• Nennen Sie drei Anwendungsbeispiele für Cluster. · Erstellen von thematischen Karten aus Satellitenbildern · Clustering von Web-Sessions zur Bestimmung von Benutzergruppen · Clustering von Bildern in eine Bilddatenbank (um thematische Abfragen zu unterstützen) . Clustern des Hirn, zur Analyse der Hirnfunktionen . Clustern von Städten um Einbruchsrate bestimmen zu können · Clustering von DNA Sequenzen zum Klären von Abstammungsbeziehungen und Verwandtschaftsgraden versch. Organismen
• Was versteht man unter dem Begriff Simulation? -Vorgehensweise zur Analyse von Systemen, die für die theoretische oder formelmäßige Behandlung zu komplex sind. - vor allem bei dynamischen Systemverhalten gegeben - bei Simulationen werden Experimente an einem Modell durchgeführt, um Erkenntnis über das reale System zu gewinnen
• Was ist Visualisierung? Das Darstellen von Daten, in grafischen Formen zu dem besseren Verständnis
• Was ist dynamische Programmierung? Ist eine Methode zum algorithmischen Lösen eines Problems, durch Aufteilung in mehrere Teilprogramme VL 3: Dynamische Programmierung – Bestimmung des Alignment zweier Sequenzen/Zeichenketten. Beim dynamischen Programmieren unterteilt man das Problem in Einzelentscheidungen und kleiner dimensionierte Probleme.
• Was ist das Ziel der Zeitreihen und der Alignments? • Ziel Zeitreihen: Vergleich der Zeitreihen • Visualisierung (Dotplot), von identischen Elementen in ihrere Reihenfolge • von ähnlichen Elementen dr. mathematische Formulierung
• 3 Schritte Multi ZR Alignment • paarweise Alignment aller Zeitreihen zueinander, Abstandsmatrix • Hilfsbaum • progressives Alignment
• Alignment der dynamischen Programmierung • Initialisierung • Auffüllen der Matrix • backtracking ( NW und SW - globales und lokales Alignment)
• Was ist der Unterschied zwischen globalen und lokalen Alignments? Lokal: Nicht das ganze Sequenzieren aligmiert, sondern nur die bereiche der größten Übereinstimmung (lokal= Teilweise) Smith-Waterman-Algorithmus Global: gesamte Sequenz wird aligmiert, so viele Matches wie möglich finden
• KNN-Algorithmus k Nearest NeigborAlgorithmus, Klassifikationsverfahren unter der berücksichtigung der nächsten Nachbarn
• Hamming & Levenshtein-Abstand berechnen Hemming: misst die Anzahl der gleichen Komponenten im Vektor Levensthein: misst die Distanz zwischen zwei Vektoren durch die Anzahl der Tranformationen
• Advertisement
• Was ist der Unterschied zwischen Clustern und Klassifizieren? Klassifikation: Objekt wird bestehenden Klassen zugeordnet. Clustern: Eine Menge an Objekten wird auf Grundlage verschiedener Eigenschaften in Cluster unterteilt. (Klassen werden neu gebildet)
• Was besagt das Alles-nur-dasnicht-Prinzip? Die Beobachtung ist alles, aber nicht Zufällig
• Beschreiben Sie das Als-ObPrinzip Man betrachtet reale Variablen, als ob sie Zufallsvariablen wären
• Was ist ein Zufallsexperiment? Ein Versuch, welcher unter festen Regeln durchgeführt wird, dessen Ausgang allerdings Zufällig erfolgt
• Welche Parameter müssen bei der Berechnung bzw. Darstellung eines Alignments bestimmt werden? Beschreiben Sie kurz. Identität: Anteil der identischen Positionen zwischen zwei Sequenzen in einem Alignment Ähnlichkeit: Anteil der identischen und ähnlichen Positionen. Hierzu werden Bewertungsschemata genutzt.
• Erklären Sie den Neighbor-Joining-Algorithmus Es wird von einem sternförmigen Baum ausgegangen. Die Sequenzen werden anhand ihrer Ähnlichkeit zusammengefasst. Zwei Sequenzen mit der geringsten Distanz zueinander bilden einen neuen Knoten. Der Vorgang wird wiederholt, bis alle Sequenzen im Baum eingetragen sind. Es wird die Gesamtastlänge für jede Sequenz berechnet. Die Länge eines Einzelasts wird dabei durch die Anzahl der sich den Ast teilenden Sequenzen geteilt und aufsummiert. Demnach haben Sequenzen mit engerer Verwandtschaft einen kleineren Wert, großer Abstand kennzeichnet sich durch einen hohen Wert.
• Was sind heuristische Methoden? Heuristische Verfahren sind eine Annäherung an die genaue Berechnung von Sequenzalignments mit dem Smith-Watermann oder Needleman-Wunsch Algorithmus. Sie ermöglichen es, auch innerhalb kurzer Zeit ganze Datenbanken nach ähnlichen Zeitreihen zu durchsuchen. Vorteil: schnell Nachteil: übersehen interessanter Stellen --> Die Erhöhung der Schnelligkeit geht auf Kosten der Sensitivität!
• Lokale Alignments werden viel häufiger als globale Alignments verwendet. Wieso? · Sequenzabschnitte mit hoher Match-Dichte werden gefunden · Sequenzen müssen nur in Teilabschnitten ähnlich sein · Sequenzen können verschieden lang sein (im Gegensatz zu globalen Alignments) · es existieren statistische Signifikanz-Methoden
• Was ist ein Dotplot? Ein Punktdiagramm ist eine graphische Darstellung eines Alignments in einer Matrix, wobei man jeder identischen Position einen Punkt macht. (Bei mehreren gleichen Zeichen nebeneinander enstehen aus den Punkten Linien)
• Was ist ein Modell? Nennen Sie 2 Beispiele. Ein Modell ist eine Repräsentation eines Systems zum Zweck der Erfassung des Systems. Das Modell ist eine Vereinfachung des Systems, welche aber zur Erfüllung des Zwecks ausreicht. Modelle können hierarchisch sein, da auch das Modell wieder ein System darstellt. Modellarten: -nicht-linguistisch (ikonisch): materiale Modelle, Bildmodelle -linguistisch (sprachlich): Darstellungsmodelle, verbale Modelle, logistische Modelle, mathematische Modelle
• Was ist eine Zeitreihe/Sequenz? Zeitreihe= Zeitabhängige Abfolge von Daten Visualisierungsmethode Sequenz= Abfolge von Einzelelementen
• Was sind Editions Parameter? Beschreiben Sie einen genauer Match = Übereinstimmende Werte in verschiedenen Sequenzen miss Match = nicht Übereinstimmende Werte in verschiedenen Sequenzen Lücke = fehlender Eintrag an der stelle der Sequenz
• Beschreiben Sie die Schritte des K-Means Verfahrens. - Bestimmung der Anzahl an Clustern - Clusterpunkte/Zentroiden werden zufällig gesetzt - Entfernung der einzelnen Datenpunkte zu den Clusterpunkten/Zentroid wird berechnet - Datenpunkte werden dem am naheliegendsten Clusterpunkt/Zentroid zugeordnet - neuer Mittelpunkt der zugeordneten Datenpunkte wird berechnet und als neuer Zentroid gesetzt - Datenpunkte werden wieder anhand ihrer Lage zugeordnet und Zentroiden werden neu bestimmt - dies wird solange wiederholt bis sich kein einzelner Datenpunkt mehr in seiner Zuordnung ändert bzw. die Lage der Zentroiden konstant bleibt
• Welche Clustering Methoden/Verfahren gibt es? 1. K-means Clustering 2. Hierarchisches Clustering 3. Self-Organizing Maps 4. Graph-based Clustering 5. Spectral Clustering
• Welcher Algorithmus findet lokale Alignments? Smith-Waterman
• Was ist die Levensthein-Distanz? Die min. Anzahl an Einfügungen, Löschungen und Umformungen, um aus einer Zeichenkette eine andere Zeichenkette zu bilder -> z.B. aus Hund wird Haus in 3 Schritten!
• Welche Besonderheiten haben Dotplots? · Inversionen · Repetitionen · Rekombinationen
• Aus welchen Layern besteht ein neuronales Netz? - input layer - hidden layer - output layer
• Nennen Sie die Unterschiede SM und NW SW: - Die Matrixränder werden auf 0 statt auf ansteigende Gap-Penalties gesetzt. - Der maximale Wert sinkt nie unter 0. Pointer werden nur für Werte größer als 0 eingezeichnet. - Trace-back beginnt am größten Wert der Matrix und endet bei dem Wert 0.
• Berechnen Sie den Hamming Abstand von: agtca cgtaa Hamming: 2 (a-c/ c-a)
• Advertisement
• Erklären Sie das Hidden Markov Model (nach eigenem Verständnis) HMM = stochastisches Modell, das sich durch zwei Zufallsprozesse beschreiben lässt 1. Zufallsprozess entspricht dabei einer Markov-Kette ( = zu jedem Zeitpunkt die Wahrscheinlichkeit aller zukünftigen Zustände nur vom momentanen Zustand abhängig) 2.Die Zustände der Kette sind jedoch verborgen. Stattdessen erzeugt ein zweiter Zufallsprozess zu jedem Zeitpunkt beobachtbare Ausgangssymbole gemäß einer zustandsabhängigen Wahrscheinlichkeitsverteilung
• ABM (eigene Worte) Agentenbasierte Modellierung ist eine spezielle, individuen-basierte Methode der computergestützten Modellbildung und Simulation, eng verknüpft mit komplexen Systemen, Multiagenten Systemen, evolutionärer Programmierung und zellulären Automaten. z.B. Zur Simulation von kriminologischen Phänomenen zur Kriminalprävention (Wohnungseinbrüche) Beinhalten das Marko-Mikro-Problem ( 1 Handlungsträger stehen auf verschiedenen Ebenen in Wechselwirkung 2 Handlungsträger wirken gegenseitig aufeinander ein → gleichzeitig bilden sie die Umwelt der anderen und bestimmen sie mit gemeinsam erzeugten Handlungen mit 3 Verhaltensweisen nicht direkt, sondern nur über die Änderung gewisser Rahmenbedingungen beeinflussbar → Kontrollparameter )
• Anwendungsbeispiel Biosimulation z.B. Müllabfuhr Fragen zur Modellierung: Welche Fakten, Zahlen werden benötigt für das Modell → DB od. erfragen Wie kann das System dargestellt werden? → stark vereinfacht, reduziert auf die Kernsegmente um Isolationen zu vermeiden Welche Zusammenhänge sind von Bedeutung? → Kommt auf den Zweck der Simulation an, wenn es vereinfacht darum geht eine möglichst effiziente und umweltfreundliche Entsorgungsstrategie zu finden → exemplarisch der Füllstand der Tonnen & zur Leerung bereitgestellte Tonnen Was ist in diesem Zusammenhang Wissen und was ist Information? Wissen zur Verfügung stehende Zahlen, Fakten → Information der Prozess ansich ? → nicht 100%ig sicher :/
• Beschreiben Sie das Bongard Problem Das Bongard Problem bezieht sich auf die Klassifizierung von Mustern ähnlicher Struktur. Diese sind auf Grund von einem Merkmal zwischen A und B unterscheidbar. Die Zuordnung neuer Muster aufgrund des Unterscheidungsmerkmals von Klasse A und B sind ebenfalls mit enthalten
• Definieren Sie das Ähnlichkeits-Maß Um Objekte zu klassifizieren, muss man entscheiden können, ob zwei Objekte ähnlich zueinander sind oder nicht, bzw. benötigt man für die meisten Anwendungen sogar eine Aussage darüber, wie ähnlich sich die beiden Objekte sind.
• Definieren Sie den Score-Wert Wert zur Bewertung eines SequenzAlignments
• Es gibt NW und SW. Ordnen Sie das entsprechende Alignment (lokal, global) zu und erklären Sie diese kurz. Needleman-Wunsch Algorithmus → globale Alignments Smith-Waterman Algorithmus → lokale Alignments
• Was bedeutet bedingte Wahrscheinlichkeit? Eine bedingte Wahrscheinlichkeit ist definiert als die Wahrscheinlichkeit eines Ereignisses unter der Voraussetzung, dass ein anderes Ereignis eintritt.
• Nennen Sie die Schritte des FAST-A-Algorithmus 1) Diagonale Regionen mit hoher Übereinstimmung ermitteln 2) Bewertung der Regionen anhand einer Scoring-Matrix 3) Regionen in benachbarten Diagonalen durch Einfügen von Gaps zusammenfügen 4) K-Band Alignment (längster Pfad gesucht; drum herum optimiert; in grauen Bereichen zusätzlich dynamische Programmierung)
• Nennen Sie drei verschiedene Arten von mathematischen Modellen, beschreiben Sie eines der Modelle kurz 1. Dynamisches Modell - Zustandsgrößen & Signale hängen von der Zeit ab, d.h. sie können sich ändern. - Gegenteil: statisches Modell 2. Deterministisches Modell - Zu jedem Zeitpunkt sind Zustandsgröße und Signale eindeutig bestimmt. - Gegenteil: stochastisches Modell 3. Diskretes Modell - Werte der Zustandsgrößen & Signale nur für diskrete Zeitpunkte (tЄN) definiert - häufig sind Zustandsgröße + Signale selbst diskret - Gegenteil: kontinuierliches Modell
• Nennen Sie die Algorithmen auf denen die Analyse von lokalen und globalen Alignments basieren und beschreiben Sie kurz das Vorgehen um die Alignments zu finden. Lokale Alignments: - Smith-Waterman-Algorithmus - Schritt 1: Initialisierung - Die Ränder der Matrix werden auf 0 gesetzt. - Schritt 2: Auffüllen der Matrix in die Richtungen von links nach rechts, von oben nach unten und eine Kombination der beiden. Dabei die Kosten für die jeweiligen Schritte (Lücke, Match, Missmatch) beachten. - Schritt 3: Eingrenzung des Alignements - Mit dem größten Wert beginnend bis zur nächsten 0 gehen. - Schritt 4: Suche nach einem 2. lokalem Alignment - Schritt 1-3 wiederholen (ggf. mehrfach )
• Nennen Sie die Algorithmen auf denen die Analyse von lokalen und globalen Alignments basieren und beschreiben Sie kurz das Vorgehen um die Alignments zu finden. Globale Alignements: - Needleman-Wunsch-Algorithmus - Schritt 1: Initialisierung des linearen Lückenmodells mit dem Start in der 1. Spalte / 1. Zeile. - Schritt 2: Auffüllen der Matrix in die Richtungen von links nach rechts, von oben nach unten und eine Kombination der beiden. Dabei die Kosten für die jeweiligen Schritte ( Lücke, Match, Missmatch ) beachten. - Schritt 3: Backtracking und damit Eingrenzung des Weges mit dem geringsten Score/Kosten.
• Monte Carlo Definition Der Begriff MC-Methode fasst eine Vielzahl numerischer Probleme zusammen, die auf Erkenntnissen der Wahrscheinlichkeitstheorie (Theorie der Zufallsprozesse) Beruhen.
• Was versteht man unter Signifikanz einer Beobachtung, (wodurch?) eine oder mehrere Zufallsvariablen bestimmt werden? Signifikanz einer Beobachtung ist immer Signifikanz mit Bezug auf ein Zufallsexperiment. Sie kann mithilfe von Zufallsvariablen gemessen werden → Zufallsvariablen sind für die Abhängigkeit verantwortlich und somit messbar.
• Was besagt das Alles-nur-das-nicht-Prinzip? Die Beobachtung ist alles, aber nicht Zufällig

back  |  next 1 / 1