|
| |
|
|
Pozitivní a negativní selekce mitochondriálního genomu
Svoboda, Matěj ; Kupková, Kristýna (oponent) ; Maděránková, Denisa (vedoucí práce)
Bakalářská práce se zabývá problematikou pozitivní a negativní selekce mitochondriálního genomu. Práce je rozdělena na dvě části. První část se věnuje teorii a vysvětlení základních pojmů, konkrétně popisuje mitochondriální genom, nukleotidové mutace, pozitivní a negativní selekci a v neposlední řadě evoluční modely. Druhá část je zaměřena na praktické zpracování mitochondriální DNA a vytvoření funkcí v programovacím prostředí R. Důraz je kladen především na zarovnání sekvencí genů a hledání substitucí. Získané výsledky jsou následně porovnávány s výstupy z programů PAML a KaKs Calculator.
|
|
|
Posuzování spánkových stádií z Hjorthových parametrů signálů EEG
Kupková, Kristýna ; Ronzhina, Marina (oponent) ; Kozumplík, Jiří (vedoucí práce)
Tato bakalářská práce je zaměřena na rozlišování jednotlivých spánkových stádií ze signálů EEG. V její první části je představena klasická vizuální metoda klasifikace spánkových stádií, v části druhé metoda automatizované klasifikace. Jedná se o metodu využívající tří Hjorthových parametrů k vytvoření vektorového prostoru, ve kterém by na základě podobnosti vzniklých útvarů mohla být rozlišována jednotlivá stádia spánku. Hjorthovy parametry jsou počítány jak z celého pásma signálu EEG, tak i v jeho jednotlivých pásmech. V další části práce je provedena analýza hlavních komponent. Hlavní komponenty jsou analogicky s Hjorthovými parametry umístěny do vektorového prostoru a je u nich sledován charakter vzniklých útvarů.
|
|
|
Methods for fast sequence comparison and identification in metagenomic data
Kupková, Kristýna ; Škutková, Helena (oponent) ; Sedlář, Karel (vedoucí práce)
The objective of this thesis is to create a method for identification of organisms in metagenomic data. Until this point methods based on sequence alignment with reference database have been sufficient for this purpose. However, the volume of data grows rapidly with evolvement of sequencing techniques and the alignment-based methods became inconvenient due to computationally demanding alignment. A new technique is introduced in this master’s thesis, which allows alignment-free metagenomic data classification. The method is based on transformation of sequences to genomic signals in form of phase representation, from which feature vectors are extracted. These features are three Hjorth descriptors, which are then subjected expectation maximization for Gaussian mixture model method allowing reliable binning of metagenomic data.
|
host ::
RSS.