https://wiki.fkkt.uni-lj.si/api.php?action=feedcontributions&feedformat=atom&user=Tinkarakorosec 2026-06-15T06:41:46Z User contributions MediaWiki 1.45.3 https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEitev_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24691 2025-05-04T14:35:03Z

<p>Tinkarakorosec: </p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25 Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4&lt;sup&gt;''n''&lt;/sup&gt; možnih sekvenčnih kombinacij promotorjev z dolžino ''n''. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1].<br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sinaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3].<br /> <br /> == Dosedanji pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večina pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je ''Escherichia coli'' in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1].<br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. S tema korakoma difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov z odstranjevanjem šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značilnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev ''E. coli'' K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije ''Synechocystis sp.'' PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1].<br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z mehanizmom pozornosti določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc ''k''-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedij, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezultat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel vrednost PCC 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili vrednost PCC 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Kompleksnost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEitev_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24664 2025-05-04T08:40:06Z

<p>Tinkarakorosec: /* Primerjava z VAE */</p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25 Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4&lt;sup&gt;''n''&lt;/sup&gt; možnih sekvenčnih kombinacij promotorjev z dolžino ''n''. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1].<br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sinaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3].<br /> <br /> == Dosedajni pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večino pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je ''Escherichia coli'' in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1].<br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. Preko teh dveh korakov difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov preko odstranjevanja šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značilnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev ''E. coli'' K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije ''Synechocystis sp.'' PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1].<br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z mehanizmom pozornosti določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc k-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedij, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezultat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel PCC vrednost 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili PCC vrednost na 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Komplekost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEitev_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24663 2025-05-04T08:36:47Z

<p>Tinkarakorosec: /* Obdelava podatkov */</p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25 Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4&lt;sup&gt;''n''&lt;/sup&gt; možnih sekvenčnih kombinacij promotorjev z dolžino ''n''. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1].<br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sinaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3].<br /> <br /> == Dosedajni pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večino pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je ''Escherichia coli'' in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1].<br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. Preko teh dveh korakov difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov preko odstranjevanja šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značilnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev ''E. coli'' K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije ''Synechocystis sp.'' PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1].<br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z mehanizmom pozornosti določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc k-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedji, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezulatat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel PCC vrednost 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili PCC vrednost na 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Komplekost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEitev_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24662 2025-05-04T08:33:39Z

<p>Tinkarakorosec: /* Difuzijski model in transformer */</p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25 Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4&lt;sup&gt;''n''&lt;/sup&gt; možnih sekvenčnih kombinacij promotorjev z dolžino ''n''. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1].<br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sinaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3].<br /> <br /> == Dosedajni pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večino pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je ''Escherichia coli'' in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1].<br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. Preko teh dveh korakov difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov preko odstranjevanja šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značilnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev ''E. coli'' K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije ''Synechocystis sp.'' PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1].<br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z zmožnostjo &quot;pozornosti&quot; določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc k-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedji, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezulatat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel PCC vrednost 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili PCC vrednost na 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Komplekost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEitev_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24661 2025-05-04T08:32:28Z

<p>Tinkarakorosec: /* Globoko učenje */</p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25 Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4&lt;sup&gt;''n''&lt;/sup&gt; možnih sekvenčnih kombinacij promotorjev z dolžino ''n''. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1].<br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sinaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3].<br /> <br /> == Dosedajni pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večino pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je ''Escherichia coli'' in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1].<br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. Preko teh dveh korakov difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov preko odstranjevanja šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značillnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev ''E. coli'' K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije ''Synechocystis sp.'' PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1].<br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z zmožnostjo &quot;pozornosti&quot; določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc k-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedji, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezulatat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel PCC vrednost 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili PCC vrednost na 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Komplekost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEevanje_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24660 2025-05-04T08:27:20Z

<p>Tinkarakorosec: Blanked the page</p> <hr /> <div></div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEitev_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24659 2025-05-04T08:27:11Z

<p>Tinkarakorosec: Created page with &quot;Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25 Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning] == Uvod == Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo...&quot;</p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25 Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4&lt;sup&gt;''n''&lt;/sup&gt; možnih sekvenčnih kombinacij promotorjev z dolžino ''n''. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1].<br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sintaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3]. <br /> <br /> == Dosedajni pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večino pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je ''Escherichia coli'' in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1].<br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. Preko teh dveh korakov difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov preko odstranjevanja šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značillnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev ''E. coli'' K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije ''Synechocystis sp.'' PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1].<br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z zmožnostjo &quot;pozornosti&quot; določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc k-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedji, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezulatat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel PCC vrednost 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili PCC vrednost na 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Komplekost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Seminarji_SB_2024/25&diff=24658 2025-05-04T08:26:44Z

<p>Tinkarakorosec: </p> <hr /> <div>V študijskem letu 2024/25 študenti in študentke pri Sintezni biologiji predstavljajo naslednje teme: <br /> <br /> RAZISKOVALNI ČLANKI<br /> <br /> (Vpišite naslov seminarja v slovenščini in ga povežite z novo stranjo, kjer bo povzetek. Na tej novi strani naj bo pod naslovom povezava do izhodiščnega članka na spletu.) &lt;br&gt;<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Inženiring_umetnih_medvrstnih_promotorjev_z_različnimi_transkripcijskimi_močmi Inženiring umetnih medvrstnih promotorjev z različnimi transkripcijskimi močmi] (Miljan Trajković) <br /> # [http://wiki.fkkt.uni-lj.si/index.php/Preprečevanje_nastanka_multimerov_pogosto_uporabljenih_plazmidov_v_sintezni_biologiji Preprečevanje nastanka multimerov pogosto uporabljenih plazmidov v sintezni biologiji] (Lev Jošt)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Priprava_Nicotiane_benthamiane_za_proizvodnjo_krisoeriola_z_uporabo_tehnik_sintezne_biologije Priprava ''Nicotiane benthamiane'' za proizvodnjo krisoeriola z uporabo tehnik sintezne biologije] (Nika Frelih)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Gensko_spremenjeni_receptorji_za_komunikacijo_med_celicami_preko_topnih_signalov_in_zaznavanje_bolezni Gensko spremenjeni receptorji za komunikacijo med celicami preko topnih signalov in zaznavanje bolezni] (Zara Bunc)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Nadzor_nad_izražanjem_heterolognih_genov_pri_Bdellovibrio_bacteriovorus_z_uporabo_sintezne_biologije Nadzor nad izražanjem heterolognih genov pri Bdellovibrio bacteriovorus z uporabo sintezne biologije] (Živa Flego)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Uporaba_konzorcija_kvasovk_za_de_novo_biosintezo_rastlinskih_lignanov Uporaba konzorcija kvasovk za de novo biosintezo rastlinskih lignanov] (Urša Lah)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Sonogenetsko_nadzorovane_gensko_spremenjene_celice_za_zdravljenje_raka_v_mišjih_tumorskih_modelih Sonogenetsko nadzorovane gensko spremenjene celice za zdravljenje raka v mišjih tumorskih modelih] (Pia Mencin) <br /> # [http://wiki.fkkt.uni-lj.si/index.php/Združitev_difuzijskega_modela_in_transformerja_za_sintezo_izboljšanih_promotorjev_ter_napoved_moči_sintetičnih_promotorjev_z_uporabo_globokega_učenja Združitev difuzijskega modela in transformerja za sintezo izboljšanih promotorjev ter napoved moči sintetičnih promotorjev z uporabo globokega učenja] (Tinkara Korošec) <br /> <br /> NAGRAJENI ŠTUDENTSKI PROJEKTI<br /> <br /> (Vpišite naslov seminarja v slovenščini in ga povežite z novo stranjo, kjer bo povzetek. Na tej novi strani naj bo pod naslovom povezava do wiki strani študentske ekipe, katere projekt opisujete.)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/SynPlode SynPlode] (Leila Bohorč)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/PETal:_izdelovanje_eteričnega_olja_sandalovine_iz_PET_plastike PETal: izdelovanje eteričnega olja sandalovine iz PET plastike] (Lara Krampač)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/PET_TWINS:_Praktična_uporaba_PETaze_za_učinkovitejše_recikliranje_plastike PET TWINS: Praktična uporaba PETaze za učinkovitejše recikliranje plastike] (Tina Urh)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/CAU-China:_Nodulska_tovarna_DHA_in_EPA CAU-China: Nodulska tovarna DHA in EPA] (Luka Fink)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/nuCloud:_Nov_oblak_za_shranjevanje_podatkov_na_osnovi_nukleotidov nuCloud: Nov oblak za shranjevanje podatkov na osnovi nukleotidov] (Aleš Poljanšek)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Nova_metoda_diagnosticiranja_multiple_skleroze_-_miRADAR Nova metoda diagnosticiranja multiple skleroze - miRADAR] (Petja Premrl)<br /> <br /> Povzetki v slovenščini naj imajo 1200-1500 besed (viri v to vsoto ne štejejo). Povzetek je treba objaviti dva dni pred predstavitvijo do polnoči (za seminarje v torek torej najkasneje v ponedeljek). Predstavitev seminarja naj bo dolga 15 minut (13-17). Sledila bo približno 5-minutna razprava.<br /> <br /> Terminski razpored bo razviden iz preglednice na strežniku Google Drive.<br /> <br /> Kako je videti končni seznam seminarjev, lahko preverite pri lanskem letniku: [[Seminarji_SB_2023/24]].</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEevanje_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24657 2025-05-04T08:20:09Z

<p>Tinkarakorosec: /* Dosedajni pristopi k ustvarjanju sintetičnih promotorjev */</p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25 Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4&lt;sup&gt;''n''&lt;/sup&gt; možnih sekvenčnih kombinacij promotorjev z dolžino ''n''. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1].<br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sintaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3]. <br /> <br /> == Dosedajni pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večino pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je ''Escherichia coli'' in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1].<br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. Preko teh dveh korakov difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov preko odstranjevanja šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značillnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev ''E. coli'' K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije ''Synechocystis sp.'' PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1].<br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z zmožnostjo &quot;pozornosti&quot; določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc k-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedji, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezulatat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel PCC vrednost 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili PCC vrednost na 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Komplekost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEevanje_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24656 2025-05-04T08:19:43Z

<p>Tinkarakorosec: /* Podatkovne množice in predpriprava podatkov */</p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25 Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4&lt;sup&gt;''n''&lt;/sup&gt; možnih sekvenčnih kombinacij promotorjev z dolžino ''n''. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1].<br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sintaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3]. <br /> <br /> == Dosedajni pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večino pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je Escherichia coli in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1]. <br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. Preko teh dveh korakov difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov preko odstranjevanja šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značillnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev ''E. coli'' K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije ''Synechocystis sp.'' PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1].<br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z zmožnostjo &quot;pozornosti&quot; določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc k-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedji, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezulatat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel PCC vrednost 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili PCC vrednost na 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Komplekost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEevanje_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24655 2025-05-04T08:17:20Z

<p>Tinkarakorosec: </p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25 Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4&lt;sup&gt;''n''&lt;/sup&gt; možnih sekvenčnih kombinacij promotorjev z dolžino ''n''. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1].<br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sintaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3]. <br /> <br /> == Dosedajni pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večino pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je Escherichia coli in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1]. <br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. Preko teh dveh korakov difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov preko odstranjevanja šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značillnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev E. coli K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije Synechocystis sp. PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1]. <br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z zmožnostjo &quot;pozornosti&quot; določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc k-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedji, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezulatat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel PCC vrednost 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili PCC vrednost na 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Komplekost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEevanje_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24654 2025-05-04T08:14:22Z

<p>Tinkarakorosec: </p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25 Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4&lt;sup&gt;''n''&lt;/sup&gt; možnih sekvenčnih kombinacij promotorjev z dolžino ''n''. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1].<br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sintaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3]. <br /> <br /> == Dosedajni pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večino pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je Escherichia coli in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1]. <br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. Preko teh dveh korakov difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov preko odstranjevanja šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značillnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev E. coli K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije Synechocystis sp. PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1]. <br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z zmožnostjo &quot;pozornosti&quot; določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc k-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedji, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezulatat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel PCC vrednost 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili PCC vrednost na 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Komplekost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEevanje_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24653 2025-05-04T08:12:36Z

<p>Tinkarakorosec: /* Uvod */</p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4&lt;sup&gt;''n''&lt;/sup&gt; možnih sekvenčnih kombinacij promotorjev z dolžino ''n''. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1].<br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sintaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3]. <br /> <br /> == Dosedajni pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večino pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je Escherichia coli in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1]. <br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. Preko teh dveh korakov difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov preko odstranjevanja šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značillnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev E. coli K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije Synechocystis sp. PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1]. <br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z zmožnostjo &quot;pozornosti&quot; določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc k-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedji, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezulatat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel PCC vrednost 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili PCC vrednost na 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Komplekost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Zdru%C5%BEevanje_difuzijskega_modela_in_transformerja_za_sintezo_izbolj%C5%A1anih_promotorjev_ter_napoved_mo%C4%8Di_sinteti%C4%8Dnih_promotorjev_z_uporabo_globokega_u%C4%8Denja&diff=24652 2025-05-04T08:10:23Z

<p>Tinkarakorosec: Created page with &quot;Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25] == Uvod == Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v...&quot;</p> <hr /> <div>Izhodiščni članek: [https://doi.org/10.1128/msystems.00183-25] <br /> <br /> == Uvod == <br /> Na področju sintezne biologije je tehnološka priprava sintetičnih promotorjev, ki prekosajo naravne, izredno pomembna. S tem optimiziramo izražanje eksogenih genov in povečamo učinkovitost metabolnih poti. Imajo tudi znatno komercialno vrednost. Raziskave kažejo, da imajo nekateri sintetični promotorji večjo transkripcijsko aktivnost kot močni naravni promotorji. Težava se pojavi v kompleksnosti zaporedij, saj obstaja 4n možnih sekvenčnih kombinacij promotorjev z dolžino n. Iz tega nabora moramo na učinkovit način identificirati delujoče promotorje. Težavi se izognemo z uporabo strojnega učenja oziroma bolj natančno - globokega učenja, ki je zmožno vsestranskega učenja iz velikih naborov podatkov [1]. <br /> <br /> == Globoko učenje ==<br /> Strojno učenje opisuje zmožnost sistema, da se uči iz učnih podatkov in avtomatizira proces gradnje analitičnega modela ter reševanja pridruženih opravil. Globoko učenje je koncept strojnega učenja na podlagi umetnih nevronskih mrež [2], ustvarjenih po navdihu nevronov živalskega živčnega sistema. Nevron prejme torej stimulus, ga preko sintaptičnih uteži spremeni, združuje in odda dražljaj kot izhodni podatek. Nevronske mreže gradijo procesni elementi ali osnovni gradniki. Ti prejmejo podatke, jim dodajo sinaptične uteži, in jih na podlagi teh uteži združujejo ter preko aktivacijske funkcije podajo nek izhodni podatek, definiran kot funkcija funkcije [3]. <br /> <br /> == Dosedajni pristopi k ustvarjanju sintetičnih promotorjev ==<br /> Večino pristopov ustvarjanja sintetičnih promotorjev je dosedaj potekala na podlagi globokega generativnega modela variacijskih samokodirnikov (VAE). Model sestavljata kodirni in dekodirni del, s pomočjo katerih poteka učenje z latentimi predstavitvami podatkov. Kodirnik vhodni primer preslika v predstavitev v latentem prostoru, kjer vsaka točka predstavlja stisnjeno obliko vhodnega primera. V tem latentnem prostoru VAE zajame porazdelitev podatkov in to lahko spreminja. Dekodirni del pa obnovi podatke iz latentnih predstavitev podatkov. Kodirni del je zelo kompleksen, omejuje pa ga tudi velikost podatkovne množice. Da bi se temu izognili, so v raziskavi za načrtovanje promotorja uporabili pristop z uporabo difuzijskega modela, ki deluje s podatki modelnih bakterij kot je Escherichia coli in cianobakterije. Ta model dobro vključuje in uporablja biološke lastnosti naravnih zaporedij promotorjev, da pripravi sintetične različice. Dodatno so uporabili še transformer, da so preverili učinkovitost teh sintetičnih promotorjev, posebaj tistih z visoko zmogljivostjo [1]. <br /> <br /> == Difuzijski model in transformer ==<br /> Difuzijski modeli delujejo v dveh stopnjah; dodajanje in odstranjevanje šuma. V prvi stopnji se šum iterativno dodaja, da se spremeni porazdelitev podatkov. Šum se originalni podatkovni množici dodaja v korakih po Gaussovi distribuciji [1]. To pomeni, da obstaja večja verjetnost, da se šum pojavi bližje točki, ki jo spreminjamo, vseeno pa se lahko pojavi na nekem oddaljenem mestu [4]. V drugi stopnji odstranjevanja šuma pa model postopoma napove in odstrani šum, kar rekonstruira končne podatke. Model to dela na podlagi naučene pogojne porazdelitve. Pri dodajanju in odstranjevanju šuma upošteva principe markovske verige. To je, da je verjetnost prehoda v naslednje stanje odvisna le od trenutnega stanja. Preko teh dveh korakov difuzijski modeli analizirajo latentno porazdelitev lastnosti znotraj podatkov, pravilno napovejo šum in proizvedejo nove podatke, ki odražajo porazdelitev lastnosti začetnih podatkov preko odstranjevanja šuma. Transformer je arhitektura globoke nevronske mreže, sestavljena iz kodirnika in dekodirnika, ki temelji na mehanizmu pozornosti in zajema značillnosti vhodnih zaporedij [1].<br /> <br /> == Podatkovne množice in predpriprava podatkov ==<br /> V raziskavi so uporabili podatkovno množico naravnih promotorjev E. coli K12 MG1655. Ta je vsebovala 11.884 vzorcev, vsak 50 nukleotidov dolg promotor s pripadajočo močjo. Večina promotorjev v tej podatkovni množici je zaporedje 50 nt navzgor od mesta začetka transkripcije [1]. Moč promotorja so določili z diferencialnim sekvenciranjem RNA (dRNA-seq) [1, 5]. Za validacijo so uporabili še podatkovno množico naravnih promotorjev cianobakterije Synechocystis sp. PCC6803. Naravne promotorje cianobakterij predstavljajo 100 nt regije navzgor od odprtega bralnega okvirja, moč pa so določili na enak način preko nivojev ekspresije z dRNA-seq. <br /> Informacije, ki jih prejme model, so torej: nukleotid, pozicija nukleotida v zaporedju, njegov naslednik (informacija o dinukleotidu) in normalizirana moč promotorja (iz dRNA-seq).<br /> Pomembno je, da morajo biti pri nevronskih mrežah podatki zvezni, saj barv, črk in podobnih podatkov računalnik namreč ne razume. Zato uporabimo enično kodiranje ali kodiranje „one-hot-encoding“, kjer vsaki vrednosti pripišemo število. Vsakemu nukleotidu so pripisali svojo številsko vrednost od 0 do 3, zaporedje teh številk poda informacijo o zaporedju nukleotidov. Dodatno so za načrtovanje promotorja obogatili učne podatke še z informacijama o nasledniku nukleotida (informacija o dinukleotidu) ter ustrezno normalizirano močjo promotorja [1]. <br /> <br /> == Obdelava podatkov ==<br /> Najprej so difuzijski model učili z uporabo podatkov zaporedji promotorjev, da je iz njih izluščil biološke značilnosti naravnih promotorjev in ustvarili kopico sintetičnih promotorjev.<br /> S pomočjo transformerja so nato napovedali moč sintetičnega promotorja in določili najbolj zmogljive. Transformer je kot vhodne podatke dobil zaporedja promotorjev, izhodni podatek pa so označili z močjo, določeno z dRNA-seq. Transformer med učenjem razvija razumevanje, kako si različni deli zaporedja sledijo, kje se nahajajo in kako so pomembni za dano vrednost moči promotorja. Ko prejme sintetični promotor iz difuznega modela, izvede naslednje korake: kodiranje vhoda, kjer se informacije o nukleotidu in poziciji zakodirajo v številske vdelave in hranijo strukturne lastnosti zaporedja. Sledi transformer, ki preverja in z zmožnostjo &quot;pozornosti&quot; določa pomembnosti posameznih delov zaporedja. Kot izhodni podatek model vrne rezultat napovedi moči promotorja [1].<br /> <br /> <br /> == Validacija ==<br /> === Statistične metode ===<br /> V raziskavi so v namene kvatificirane ocene učnega procesa izvedli naslednje statistične in bioinformatske metode. Pearsonov korelacijski koeficient (PCC) je statistična mera lineranega odnosa med spremenjivkama X in Y. Razpon koeficienta je od -1 do 1, kjer vrednosti okoli 1 pomenijo močno pozitivno soodvisnost, -1 pa močno negativno soodvisnost. Pri globokem učenju PCC uporabljajo za oceno uspešnosti modela in kot funkcijo izgube za izboljšavo modela. Pri napovednem modelu uporabljajo PCC skupaj s srednjo kvadratno napako (MSE) za funkcijo izgube, ki nato vodita učenje modela. Pojem ''k''-mer opisuje del zaporedja dolžine ''k''. Računamo lahko njihovo pojavnost v celotnem zaporedju v obliki frekvence.<br /> <br /> === Določanje frekvence pojavnosti ''k''-mer ===<br /> Za izračun ''k''-mer so uporabili drsno okno, ki zajema zaporedje dolžine ''k''. Okno so po zaporedju zamikali po en nukleotid in za vsako zajeto podzaporedje izračunali frekvenco pojavnosti. Nato so izračunali soodvisnost frekvenc k-merov med sintetičnimi in naravnimi promotorji tekom učenja modela. S tem parametrom so ocenili natančnost sintetičnih promotorjev, da ti ohranjajo ''k''-mere, ki se pojavljajo v naravnih promotorjev. Opazili so, da tekom prvih 200 epoh (ciklov iteracij) vrednosti sunkovito naraščajo, nato pa se stabilizirajo. Z izračunom funkcije izgube so ocenili, da ta upade po nekaj začetnih epohah in nato konvergira. Končno so na razsevnem grafikonu prikazali soodvisnost frekvence ''k''-merov (''k'' = 2-6) med sintetičnimi in naravnimi promotorji, izračunano s PCC. Točke so razporejene vzdolž diagonale, kar nakazuje na to, da so frekvence ''k''-mer praktično identične med naravnimi in sintetičnimi promotorji.<br /> <br /> === Določanje frekvence pojavnosti nukleotidov na specifičnih mestih zaporedja ===<br /> Frekvenco nukleotidov na specifičnih mestih zaporedja so predstavili z grafom &quot;sequence logo&quot;. Po več epohah se pojavnost nukleotidih na določenih mestih približa frekvenci pojavnosti v naravnih promotorjih. Za validacijo so uporabili še podatkovno množico promotorjev cianobakterije in dobili podoben rezultat. S tem so dokazali prilagodljivost modela, da poišče pomembne biološke lastnosti promotorjev različnih prokariotskih organizmov.<br /> <br /> === Primerjava z VAE ===<br /> Če model uporabljen v raziskavi primerjamo s prej uporabljenimi globokimi generativnimi modeli, na primer VAE modeli, opazimo, da imajo ustvarjeni promotorji boljšo mero uspešnosti kot je porazdelitev 6-mernih delov zaporedji, frekvenca pojavnosti nukleotidov na posameznem mestu v zaporedju in soodvisnosti v frekvenci pojavnosti k-merov. Poleg tega je učni proces bolj stabilen, kar odraža konsistentna konvergenca funkcije izgube ter odsotnost večjih nihanj v uspešnosti modela tekom učenja. Z dodatkom transformerja pa prekaša konvolucijske nevronske mreže v tem, da ta iz podatkov izlušči pomembne lastnosti zaporedja in ima boljšo napovedno uspešnost.<br /> Primerjali so uspešnost difuzijskih in VAE modelov. Rezulatat VAE uspešno oponaša naravne promotorje na mestih od -10 do -35, drugje v zaporedju pa je prisoten šum. Prav tako je šum prisoten pri pojavnosti k-merov. Razlog za šum je prekomerno prileganje podatkom. Rezultati difuzijskega model torej natančneje oponašajo biološke značilnosti naravnih promotorjev.<br /> <br /> === Izboljšanje uspešnosti napovedi moči promotorja ===<br /> Potem, ko je difuzijski model ustvaril sintetične promotorje, so nadaljno naučili transformer, da bi ta pravilno napovedal njihovo moč. Najprej so moč napovedali s konvolucijsko nevronsko mrežo, ki je v primerjavi z vrednostimi dRNA-seq dosegel PCC vrednost 0,25. Ta vrednost nakazuje na zmerno soodvisnost med napovedamo močjo in dejansko vrednostjo preizkusne množice. Z difuzijskim modelom so dvignili PCC vrednost na 0,295. Z uvajanjem točkovnih mutacij so preizkušali vpliv sprememb nukleotidov na posameznem mestu v zaporedju. Do spremembe pri moči promotorja je prišlo pri vseh mutacijah, pričakovano pa je do največje razlike prišlo pri mutacijah okoli mest -10 in -35 [1].<br /> <br /> == Zaključek ==<br /> Odkrivanje novih, močnejših promotorjev prinaša prednosti kot so izboljšana učinkovitost sinteze genov, krajši biološki procesi in zmanjšanje cene bioproizvodnje. Komplekost trenutnih metod generativnih modelov omejuje razvoj področja. Prav tako je pomembno dejstvo, da ne razumemo popolnoma, kako obdelujejo biološke podatke. Raziskava uporabi nov pristop k ustvarjanju sintetičnih promotorjev z boljšo uspešnostjo, kar spodbuja razvoj na tem področju sintezne biologije [1].<br /> <br /> == Literatura ==<br /> [1] X. Lei, X. Wang, G. Chen, C. Liang, Q. Li, H. Jiang, W. Xiong: Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning. mSystems 2025, e0018325.<br /> [2] C. Janiesch, P. Zschech, K. Heinrich: Machine learning and deep learning. Electronic Markets 2021, 31, 685–695.<br /> [3] E. Guresen, G. Kayakutlu: Definition of artificial neural networks with comparison to other networks. Procedia Comput Sci 2011, 3, 426–433.<br /> [4] T. B. Farver: Concepts of Normality in Clinical Biochemistry. Clinical Biochemistry of Domestic Animals, Sixth Edition 2008, 1–25.<br /> [5] C. M. Sharma, J. Vogel: Differential RNA-seq: the approach behind and the biological insight gained. Curr Opin Microbiol 2014, 19, 97–105.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Seminarji_SB_2024/25&diff=24650 2025-05-04T07:56:34Z

<p>Tinkarakorosec: </p> <hr /> <div>V študijskem letu 2024/25 študenti in študentke pri Sintezni biologiji predstavljajo naslednje teme: <br /> <br /> RAZISKOVALNI ČLANKI<br /> <br /> (Vpišite naslov seminarja v slovenščini in ga povežite z novo stranjo, kjer bo povzetek. Na tej novi strani naj bo pod naslovom povezava do izhodiščnega članka na spletu.) &lt;br&gt;<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Inženiring_umetnih_medvrstnih_promotorjev_z_različnimi_transkripcijskimi_močmi Inženiring umetnih medvrstnih promotorjev z različnimi transkripcijskimi močmi] (Miljan Trajković) <br /> # [http://wiki.fkkt.uni-lj.si/index.php/Preprečevanje_nastanka_multimerov_pogosto_uporabljenih_plazmidov_v_sintezni_biologiji Preprečevanje nastanka multimerov pogosto uporabljenih plazmidov v sintezni biologiji] (Lev Jošt)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Priprava_Nicotiane_benthamiane_za_proizvodnjo_krisoeriola_z_uporabo_tehnik_sintezne_biologije Priprava ''Nicotiane benthamiane'' za proizvodnjo krisoeriola z uporabo tehnik sintezne biologije] (Nika Frelih)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Gensko_spremenjeni_receptorji_za_komunikacijo_med_celicami_preko_topnih_signalov_in_zaznavanje_bolezni Gensko spremenjeni receptorji za komunikacijo med celicami preko topnih signalov in zaznavanje bolezni] (Zara Bunc)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Nadzor_nad_izražanjem_heterolognih_genov_pri_Bdellovibrio_bacteriovorus_z_uporabo_sintezne_biologije Nadzor nad izražanjem heterolognih genov pri Bdellovibrio bacteriovorus z uporabo sintezne biologije] (Živa Flego)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Uporaba_konzorcija_kvasovk_za_de_novo_biosintezo_rastlinskih_lignanov Uporaba konzorcija kvasovk za de novo biosintezo rastlinskih lignanov] (Urša Lah)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Sonogenetsko_nadzorovane_gensko_spremenjene_celice_za_zdravljenje_raka_v_mišjih_tumorskih_modelih Sonogenetsko nadzorovane gensko spremenjene celice za zdravljenje raka v mišjih tumorskih modelih] (Pia Mencin) <br /> # [http://wiki.fkkt.uni-lj.si/index.php/Združevanje_difuzijskega_modela_in_transformerja_za_sintezo_izboljšanih_promotorjev_ter_napoved_moči_sintetičnih_promotorjev_z_uporabo_globokega_učenja Združevanje difuzijskega modela in transformerja za sintezo izboljšanih promotorjev ter napoved moči sintetičnih promotorjev z uporabo globokega učenja] (Tinkara Korošec) <br /> <br /> NAGRAJENI ŠTUDENTSKI PROJEKTI<br /> <br /> (Vpišite naslov seminarja v slovenščini in ga povežite z novo stranjo, kjer bo povzetek. Na tej novi strani naj bo pod naslovom povezava do wiki strani študentske ekipe, katere projekt opisujete.)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/SynPlode SynPlode] (Leila Bohorč)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/PETal:_izdelovanje_eteričnega_olja_sandalovine_iz_PET_plastike PETal: izdelovanje eteričnega olja sandalovine iz PET plastike] (Lara Krampač)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/PET_TWINS:_Praktična_uporaba_PETaze_za_učinkovitejše_recikliranje_plastike PET TWINS: Praktična uporaba PETaze za učinkovitejše recikliranje plastike] (Tina Urh)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/CAU-China:_Nodulska_tovarna_DHA_in_EPA CAU-China: Nodulska tovarna DHA in EPA] (Luka Fink)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/nuCloud:_Nov_oblak_za_shranjevanje_podatkov_na_osnovi_nukleotidov nuCloud: Nov oblak za shranjevanje podatkov na osnovi nukleotidov] (Aleš Poljanšek)<br /> # [http://wiki.fkkt.uni-lj.si/index.php/Nova_metoda_diagnosticiranja_multiple_skleroze_-_miRADAR Nova metoda diagnosticiranja multiple skleroze - miRADAR] (Petja Premrl)<br /> <br /> Povzetki v slovenščini naj imajo 1200-1500 besed (viri v to vsoto ne štejejo). Povzetek je treba objaviti dva dni pred predstavitvijo do polnoči (za seminarje v torek torej najkasneje v ponedeljek). Predstavitev seminarja naj bo dolga 15 minut (13-17). Sledila bo približno 5-minutna razprava.<br /> <br /> Terminski razpored bo razviden iz preglednice na strežniku Google Drive.<br /> <br /> Kako je videti končni seznam seminarjev, lahko preverite pri lanskem letniku: [[Seminarji_SB_2023/24]].</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Regulacija_transkripcije_pri_arhejah&diff=23004 2024-04-06T20:55:17Z

<p>Tinkarakorosec: /* Regulacija s transkripcijskimi faktorji */</p> <hr /> <div>== Uvod ==<br /> <br /> Regulacija transkripcije je eden izmed ključnih procesov za regulacijo prisotnosti proteinov v celici, kar je zelo pomembno za uravnavanje metabolnih in ostalih procesov. Regulacija poteka v vseh treh stopnjah transkripcije: iniciaciji, elongaciji in terminaciji, ter na stopnji organizacje kromatina. <br /> <br /> == Regulacija iniciacije ==<br /> <br /> Na iniciacijo transkripcije DNA pri arhejah imajo močan regulatorni vpliv elementi DNA in transkripcijski faktorji. <br /> <br /> === Regulacija s transkripcijskimi faktorji ===<br /> <br /> Temeljna transkripcijska faktorja sta TATA-vezavni protein (angl. TATA-binding protein, v nadaljevanju TBP) in transkripcijski faktor B (v nadaljevanju TFB). Le-ta sta potrebna za transkripcijo pri optimiziranih pogojih, medtem ko v manj ugodnih pogojih pri začetku transkripcije pomaga transkripcijski faktor E (v nadaljevanju TFE). Za razliko od transkripcije pri evkariontih je odpiranje arhejskega promotorja proces, ki ni odvisen od energije. Zaradi tega sta TBP in TFB sama dovolj za pomoč RNA-polimerazi pri tvorbi prepisovalnega mehurčka. TFB je pri vseh arhejah odgovoren za stabilizacijo kompleksa DNA z vezanim TBP-jem. Skupaj nato novačita RNA-polimerazo. TFE𝛼 vsebuje dve domeni: domena s krilatim heliksom (angl. winged helix, v nadaljevanju WH) in domeno s cinkovim trakom [1]. Domena s krilatim heliksom je ena izmed osrednjih komponent transkripcijskega sistema. Sodeluje pri vzpostavitvi interakcij protein-DNA in protein-protein [2]. TFE𝛽 vsebuje ohranjeni domeni WH in FeS. Domena WH TFE𝛼 tvori kontakt z navzgornjo nematrično verigo DNA in pomaga tvoriti odprti promotorski kompleks. TFE ima morda ključno vlogo pri prilagajanju znotraj-molekulskih premikov RNA-polimeraze skozi transkripcijo, zlasti premik vponke. Interakcija TFE𝛼 z domenama peclja in vponke RNA-polimeraze med iniciacijo transkripcije lahko ohranja vponko v odprti konformaciji, ki je potrebna za iniciacijo in začetek elongacije.<br /> <br /> === Regulacija z elementi DNA ===<br /> <br /> Uravnavanje prepisovanja elementi DNA vršijo tako, da jih temelnji transkripcijski faktorji prepoznajo in vplivajo na nadaljne korake začetka prepisovanja promotorja. Ločimo štiri elemente DNA, ki uravnavajo začetek transkripcije pri arhejah. To so TATA škatla, ki se nahaja približno 25 bp navzgor od začetka iniciacije transkripcije, BRE - element, ki ga TFB prepozna [1] in določi smer poteka transkripcije [3], lociran tik nad TATA škatlo, INR - iniciacijski element, ki se nahaja v začetni že prepisani regiji, in PPE - element blizu promotorja, ki se nahaja med TATA škatlo in mestom iniciacije transkripcije<br /> Encim potrebuje le BRE in TATA škatlo za začetek prepisovanja, čeprav spremembe na ostalih elementih prav tako vplivajo na donos promotorja [1]. Le ta sekvenčna elementa sta pomembna za prepoznavo promotorja [3].<br /> <br /> === Potek regulacije iniciacije ===<br /> <br /> Sodelovanje naštetih regulatorjev je naslednje. TBP-ji olajšajo prepoznavo AT-bogate regije TATA škatle, ki se nahaja navzgor od mesta začetka transkripcije. To mesto je v arhejah specifično in se tako razlikuje od bolj spremenljivega mesta pri evkariontih. BRE novači TFB, kar omogoča zvitje DNA. Skupaj tako tvorijo orientirano in stabilno konformacijo za interakcijo z arhejsko RNA-polimerazo, kar omogoča nalaganje in razvitje dsDNA. V kolikor so pogoji suboptimalni, pa TFE olajša tvorbo odprtega kompleksa. INR in PPE nista potrebna za iniciacijo, vendar oba ojačata donos transkripcije in njune spremembe povzročijo zmanjšanje moči promotorja [3]. PPE poveča transkripcijski donos preko novačenja TFB-jev. PPE se nahaja na meji transkripcijskega mehurčka, kjer je pomemben za aktivnost TFE𝛼 in TFE𝛽.<br /> <br /> === Regulatorni učinek nukleosomov ===<br /> <br /> Na začetek iniciacije ima prav tako vpliv struktura kromatina na promotorskem mestu. Lahko omeji ali prepreči iniciacijo transkripcije s tem, da prepreči vezavo transkripcijskih faktorjev ali prepreči denaturacijo DNA. Vezavo omejujejo sterični in torzijski učinki, ki jih povzročajo histoni [1].<br /> <br /> == Regulacija elongacije == <br /> <br /> Ko se iniciacija zaključi in elongacije prične, se RNA-polimeraza (v nadaljevanju RNAP) konformacijsko spremeni, pride tudi do izmenjave regulatornih faktorjev. Najverjetnejša razlaga za ta pojav je pojav nascentnega prepisa, ki vpliva na vzpostavitev stabilnega elongacijskega kompleksa. Samih poznanih elongacijskih faktorjev je doslej zelo malo, odkrita sta bila samo dva. Prvi izmed njiju je faktor Spt5, ki je univerzalno ohranjen, najpogosteje ga najdemo v kompleksu s Spt4, odgovornim za stabilizacijo Spt5-RNAP interakcij. Drug je transkripcijski faktor S (TFS), ki kaže homolognost s C-končno domeno evkariontskega TFIIS in funkcijsko analognost GreA/GreB v bakterijah. GreA in GreB sta cepitvena faktorja, ključna za cepitev tri do devet nukleotidov nascentnega prepisa na 3’ koncu [5]. S tem omogočata nadaljevanje elongacije s cepljenega konca. Glede na veliko količino deljenih mehanizmov med evkarionti in arhejami je zelo nenavadno, da slednje v genomu ne vsebujejo kakršnihkoli kompleksov za posttranslacijske modifikacije transkripcijskega kompleksa ali za modifikacije kromatina. Prepisi tudi niso zaščiteni na koncih, ne potrebujejo izvenjedrnega transporta in so brez intronov. <br /> <br /> === Spt5 ===<br /> <br /> Prej omenjen Spt5 je homolog bakterijskemu NusG, sestavljata ga dve domeni. NusG N-končna domena (NGN), ki interagira s Spt4 in vsebuje hidrofobno depresijo, s katero interagira vponka na RNAP, in C-končna Kyepides-Ouzonis-Woese (KOW) domena, katera se za razliko od evkariontov pri arhejah ponovi le enkrat. Slednja ima visoko afiniteto za enoverižno RNA. Interakcije med Spt5 in RNAP niso nujne za elongacijo, a jo vseeno močno ojačajo, specifično z vplivom na procesivnost in hitrost elongacije. Razlog za vpliv leži v stabilizaciji vponske domene, ki dalje stabilizira DNA-RNA hibrid med transkripcijo. NGN ima prav tako stik z že prebranimi aminokislinskimi ostanki, kar onemogoča potovanje RNAP v obratni smeri. Spt5 lahko ima tako pozitiven kot negativen vpliv na hitrost elongacije, lahko jo tudi začasno prekine, glede na potrebe organizma. Za razliko od NGN KOW domena nima znanih partnerjev za interakcije ob sami RNA. Možna neodkrita vloga leži v interakcijah s terminacijskimi faktorji, na kar nakazuje NusG-KOW domena pri bakterijah. <br /> <br /> === Domene RNAP ===<br /> <br /> Strukturo RNAP lahko opišemo s tremi glavnimi domenami: jedro, vponka in pecelj. Najzanimivejša od teh je domena peclja, ki je ne najdemo pri bakterijski RNAP. Najverjetnejša razlaga za njeno funkcijo je vezava raznih transkripcijskih faktorjev na RNAP za regulacijo njene aktivnosti. Vezava omenjenih faktorjev je ključna za sprožitev intramolekularnih gibanj encima, nujnih za prehod med raznimi fazami transkripcije. Prvi opisi domene so predvidevali, da bo domena peclja močno sterično ovirala vponsko, vendar kristalografska analiza potrjuje, da zaradi koordiniranega gibanja vponke in peclja temu ni tako. Pomembna je tudi funkcija vponke, ki s svojim gibanjem med iniciacijo odpre glavni kanal RNAP, kar olajša vhod in izhod dvoverižne DNA, z zaprtjem pa prepreči pobeg DNA-RNA hibrida. Na konformacijo vplivajo transkripcijski faktorji. Prej omenjen TFE vstopi v stik z obema domenama in vponko pričvrsti v odprt položaj, kar je ključno za iniciacijo, nato tekom elongacije iz encima privre RNA, ki interagira z domeno peclja in sterično trči s TFE, kar vodi do njegove disociacije. Potek dogodkov omogoči vezavo Spt5, ki pomaga encimu vzdrževati zaprto konformacijo in s tem zagotavlja procesivnost med elongacijo.<br /> <br /> == Regulacije terminacije ==<br /> <br /> Terminacija transkripcije poteče, ko elongacijski kompleks postane dovolj nestabilen, da ne more več vzdrževati stikov med RNA-polimerazo in nukleinskimi kislinami. Stabilnost kompleksa je odvisna predvsem od kontaktov med RNA-polimerazo in ssRNA, navzdoljno DNA in RNA-DNA hibridom ter od njegovih baznih parov. Najverjetneje se med terminacijo spremenijo kontakti med RNA-polimerazo in hibridom ter med baznimi pari v hibridu. Tako kot v drugih domenah, sta tudi pri arhejah predvidena dva mehanizma terminacije. To sta intrinzična in od faktorjev odvisna terminacija.<br /> <br /> Razlog za intrinzičen mehanizem so predvsem šibki kontakti med baznimi pari v RNA-DNA hibridu, kar pomeni, da ta mehanizem ni odvisen od aktivnosti nikakršnih transkripcijskih faktorjev. Arhejska RNA-polimeraza se odziva na določena zaporedja zelo podobno kot evkariontska RNA-polimeraza III. Terminacijo sproži pet do deset timidinskih ostankov na nematrični verigi, ki kodira zaporedje poliU na 3' koncu nascentne RNA. To povzroči nastanek rU:dA hibrida (na RNA je veliko uridinov, na DNA pa veliko adeninov) blizu mesta terminacije. Takšen hibrid ni dovolj energetsko stabilen, da bi elongacijski kompleks lahko nadaljeval s transkripcijo, zato ta spontano oddisociira.<br /> <br /> V našem članku je od faktorjev odvisna terminacija predstavljena kot zelo verjetna, vendar še ne dokazana. Da bi jo dokazali, so z biokemijskimi analizami našli nekaj potencialnih genov, vendar niso uspeli najti nobenih homologov evkariontskih ali bakterijskih terminacijskih faktorjev. Kljub temu so v arhejah opazili aktivnost, ki bi jo lahko pripisali terminacijskim faktorjem. Gre za polarno represijo navzdoljnih genov brez nadaljnje translacije, kar spominja na delovanje proteina Rho (bakterijski terminacijski faktor). Študije so tudi pokazale, da protein Rho lahko sproži terminacijo pri arhejah in vitro. Dokazali so tudi, da arhejska RNA-polimeraza lahko ustavi sintezo na kraju DNA poškodb in vitro, kar kaže, da tudi pri arhejah obstajajo mehanizmi za odstranitev RNA-polimeraze v primeru poškodb, kar je podpiralo hipotezo, da so tudi v arhejah prisotni terminacijski faktorji. Kasnejše raziskave so uspele ta mehanizem tudi dokazati.<br /> <br /> == Vpliv razporeditve kromatina ==<br /> <br /> Arhejski histoni zvijajo kromatin na podoben način kot evkariontski. So homo ali hetero tetrameri, homologni H3/H4 evkariontskemu tetrameru. Največja razlika je, da nimajo histonskih repkov. Kondenzacija kromatina omogoča dodatno regulacijo transkripcije preko dostopnosti promotorskih regij in možnih kromatinskih ovir za elongacijski kompleks. Histoni se načeloma ne nahajajo ob promotorskih regijah. Izkazalo se je, da arhejski nukleosomi le upočasnjujejo elongacijo, a je ne preprečujejo. Pri arhejah še niso znane histonske modifikacije ali mehanizmi premikanja nukleosomov, zato sklepajo, da gre elongacijski kompleks preprosto preko nukleosomov, kromatin pa se nato spontano reorganizira v začetno konformacijo. Opazili so tudi, da nukleosomov ni ob mestih terminacije, kar nakazuje, da razporeditev kromatina vpliva tudi na terminacijo transkripcije.<br /> <br /> Nekatere študije so pokazale, da imajo pri haloarhejah histoni pomembnejšo vlogo pri regulaciji ekspresije in obliki celice kot pa pri samem kompaktiranju DNA. Tako histonski proteini delujejo kot mestno specifični transkripcijski faktorji. Z delecijo genov za histon so pokazali, da histoni niso nujni in morda celo sploh ne sodelujejo pri organizaciji DNA, kar je v nasprotju z dosedanjimi prepričanji. Še vedno pa ni znano, ali so spremembe v ekspresiji genov, ki so nastale po deleciji, direktna posledica drugačne organizacije genoma ali lokaliziranih motenj, ki so vplivale na regulacijo.<br /> <br /> == Zaključek ==<br /> <br /> Regulacija transkripcije je tako kot pri drugih organizmih tudi pri arhejah kompleksen in večstopenjski proces, pri katerem je udeleženo mnogo faktorjev in elementov. Do določene mere se lahko primerja z regulacijo pri bakterijah in evkariontih, vendar so pri arhejah prisotne določene posebnosti, značilne le zanje. Je pa v primerjavi z regulacijo pri bakterijah in evkariontih še relativno neraziskana, vendar so znanstveniki na dobri poti k novim odkritjem. <br /> <br /> == Viri ==<br /> <br /> [1] Gehring, A. M., Walker, J. E., &amp; Santangelo, T. J. (2016). Transcription regulation in archaea. Journal of Bacteriology, 198(14), 1906–1917. https://doi.org/10.1128/JB.00255-16<br /> <br /> [2] Teichmann, M., Dumay-Odelot, H., &amp; Fribourg, S. (2012). Structural and functional aspects of winged-helix domains at the core of transcription initiation complexes. Transcription, 3(1), 2–7. https://doi.org/10.4161/trns.3.1.18917<br /> <br /> [3]Wenck, B. R., &amp; Santangelo, T. J. (n.d.). Archaeal transcription. Transcription, 11(5), 199–210. https://doi.org/10.1080/21541264.2020.1838865<br /> <br /> [4]Dulmage, K. A., Todor, H., &amp; Schmid, A. K. (2015). Growth-phase-specific modulation of cell morphology and gene expression by an archaeal histone protein. MBio, 6(5), e00649-00615. https://doi.org/10.1128/mBio.00649-15<br /> <br /> [5] Erie, D. A., Hajiseyedjavadi, O., Young, M. C., &amp; Von Hippel, P. H. (1993). Multiple rna polymerase conformations and grea: Control of the fidelity of transcription. Science, 262(5135), 867–873. https://doi.org/10.1126/science.8235608<br /> <br /> [[Category:SEM]] [[Category:BMB]]</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Regulacija_transkripcije_pri_arhejah&diff=22370 2023-05-16T17:15:42Z

<p>Tinkarakorosec: /* Regulacija z elementi DNA */</p> <hr /> <div>== Uvod ==<br /> <br /> Regulacija transkripcije je eden izmed ključnih procesov za regulacijo prisotnosti proteinov v celici, kar je zelo pomembno za uravnavanje metabolnih in ostalih procesov. Regulacija poteka v vseh treh stopnjah transkripcije: iniciaciji, elongaciji in terminaciji, ter na stopnji organizacje kromatina. <br /> <br /> == Regulacija iniciacije ==<br /> <br /> Na iniciacijo transkripcije DNA pri arhejah imajo močan regulatorni vpliv elementi DNA in transkripcijski faktorji. <br /> <br /> === Regulacija s transkripcijksimi faktorji ===<br /> <br /> Temeljna transkripcijska faktorja sta TATA-vezavni protein (angl. TATA-binding protein, v nadaljevanju TBP) in transkripcijski faktor B (v nadaljevanju TFB). Le-ta sta potrebna za transkripcijo pri optimiziranih pogojih, medtem ko v manj ugodnih pogojih pri začetku transkripcije pomaga transkripcijski faktor E (v nadaljevanju TFE). Za razliko od transkripcije pri evkariontih je odpiranje arhejskega promotorja proces, ki ni odvisen od energije. Zaradi tega sta TBP in TFB sama dovolj za pomoč RNA-polimerazi pri tvorbi prepisovalnega mehurčka. TFB je pri vseh arhejah odgovoren za stabilizacijo kompleksa DNA z vezanim TBP-jem. Skupaj nato novačita RNA-polimerazo. TFE𝛼 vsebuje dve domeni: domena s krilatim heliksom (angl. winged helix, v nadaljevanju WH) in domeno s cinkovim trakom [1]. Domena s krilatim heliksom je ena izmed osrednjih komponent transkripcijskega sistema. Sodeluje pri vzpostavitvi interakcij protein-DNA in protein-protein [2]. TFE𝛽 vsebuje ohranjeni domeni WH in FeS. Domena WH TFE𝛼 tvori kontakt z navzgornjo nematrično verigo DNA in pomaga tvoriti odprti promotorski kompleks. TFE ima morda ključno vlogo pri prilagajanju znotraj-molekulskih premikov RNA-polimeraze skozi transkripcijo, zlasti premik vponke. Interakcija TFE𝛼 z domenama peclja in vponke RNA-polimeraze med iniciacijo transkripcije lahko ohranja vponko v odprti konformaciji, ki je potrebna za iniciacijo in začetek elongacije.<br /> <br /> === Regulacija z elementi DNA ===<br /> <br /> Uravnavanje prepisovanja elementi DNA vršijo tako, da jih temelnji transkripcijski faktorji prepoznajo in vplivajo na nadaljne korake začetka prepisovanja promotorja. Ločimo štiri elemente DNA, ki uravnavajo začetek transkripcije pri arhejah. To so TATA škatla, ki se nahaja približno 25 bp navzgor od začetka iniciacije transkripcije, BRE - element, ki ga TFB prepozna [1] in določi smer poteka transkripcije [3], lociran tik nad TATA škatlo, INR - iniciacijski element, ki se nahaja v začetni že prepisani regiji, in PPE - element blizu promotorja, ki se nahaja med TATA škatlo in mestom iniciacije transkripcije<br /> Encim potrebuje le BRE in TATA škatlo za začetek prepisovanja, čeprav spremembe na ostalih elementih prav tako vplivajo na donos promotorja [1]. Le ta sekvenčna elementa sta pomembna za prepoznavo promotorja [3].<br /> <br /> === Potek regulacije iniciacije ===<br /> <br /> Sodelovanje naštetih regulatorjev je naslednje. TBP-ji olajšajo prepoznavo AT-bogate regije TATA škatle, ki se nahaja navzgor od mesta začetka transkripcije. To mesto je v arhejah specifično in se tako razlikuje od bolj spremenljivega mesta pri evkariontih. BRE novači TFB, kar omogoča zvitje DNA. Skupaj tako tvorijo orientirano in stabilno konformacijo za interakcijo z arhejsko RNA-polimerazo, kar omogoča nalaganje in razvitje dsDNA. V kolikor so pogoji suboptimalni, pa TFE olajša tvorbo odprtega kompleksa. INR in PPE nista potrebna za iniciacijo, vendar oba ojačata donos transkripcije in njune spremembe povzročijo zmanjšanje moči promotorja [3]. PPE poveča transkripcijski donos preko novačenja TFB-jev. PPE se nahaja na meji transkripcijskega mehurčka, kjer je pomemben za aktivnost TFE𝛼 in TFE𝛽.<br /> <br /> === Regulatorni učinek nukleosomov ===<br /> <br /> Na začetek iniciacije ima prav tako vpliv struktura kromatina na promotorskem mestu. Lahko omeji ali prepreči iniciacijo transkripcije s tem, da prepreči vezavo transkripcijskih faktorjev ali prepreči denaturacijo DNA. Vezavo omejujejo sterični in torzijski učinki, ki jih povzročajo histoni [1].<br /> <br /> == Regulacija elongacije == <br /> <br /> Ko se iniciacija zaključi in elongacije prične, se RNA-polimeraza (v nadaljevanju RNAP) konformacijsko spremeni, pride tudi do izmenjave regulatornih faktorjev. Najverjetnejša razlaga za ta pojav je pojav nascentnega prepisa, ki vpliva na vzpostavitev stabilnega elongacijskega kompleksa. Samih poznanih elongacijskih faktorjev je doslej zelo malo, odkrita sta bila samo dva. Prvi izmed njiju je faktor Spt5, ki je univerzalno ohranjen, najpogosteje ga najdemo v kompleksu s Spt4, odgovornim za stabilizacijo Spt5-RNAP interakcij. Drug je transkripcijski faktor S (TFS), ki kaže homolognost s C-končno domeno evkariontskega TFIIS in funkcijsko analognost GreA/GreB v bakterijah. GreA in GreB sta cepitvena faktorja, ključna za cepitev tri do devet nukleotidov nascentnega prepisa na 3’ koncu [5]. S tem omogočata nadaljevanje elongacije s cepljenega konca. Glede na veliko količino deljenih mehanizmov med evkarionti in arhejami je zelo nenavadno, da slednje v genomu ne vsebujejo kakršnihkoli kompleksov za posttranslacijske modifikacije transkripcijskega kompleksa ali za modifikacije kromatina. Prepisi tudi niso zaščiteni na koncih, ne potrebujejo izvenjedrnega transporta in so brez intronov. <br /> <br /> === Spt5 ===<br /> <br /> Prej omenjen Spt5 je homolog bakterijskemu NusG, sestavljata ga dve domeni. NusG N-končna domena (NGN), ki interagira s Spt4 in vsebuje hidrofobno depresijo, s katero interagira vponka na RNAP, in C-končna Kyepides-Ouzonis-Woese (KOW) domena, katera se za razliko od evkariontov pri arhejah ponovi le enkrat. Slednja ima visoko afiniteto za enoverižno RNA. Interakcije med Spt5 in RNAP niso nujne za elongacijo, a jo vseeno močno ojačajo, specifično z vplivom na procesivnost in hitrost elongacije. Razlog za vpliv leži v stabilizaciji vponske domene, ki dalje stabilizira DNA-RNA hibrid med transkripcijo. NGN ima prav tako stik z že prebranimi aminokislinskimi ostanki, kar onemogoča potovanje RNAP v obratni smeri. Spt5 lahko ima tako pozitiven kot negativen vpliv na hitrost elongacije, lahko jo tudi začasno prekine, glede na potrebe organizma. Za razliko od NGN KOW domena nima znanih partnerjev za interakcije ob sami RNA. Možna neodkrita vloga leži v interakcijah s terminacijskimi faktorji, na kar nakazuje NusG-KOW domena pri bakterijah. <br /> <br /> === Domene RNAP ===<br /> <br /> Strukturo RNAP lahko opišemo s tremi glavnimi domenami: jedro, vponka in pecelj. Najzanimivejša od teh je domena peclja, ki je ne najdemo pri bakterijski RNAP. Najverjetnejša razlaga za njeno funkcijo je vezava raznih transkripcijskih faktorjev na RNAP za regulacijo njene aktivnosti. Vezava omenjenih faktorjev je ključna za sprožitev intramolekularnih gibanj encima, nujnih za prehod med raznimi fazami transkripcije. Prvi opisi domene so predvidevali, da bo domena peclja močno sterično ovirala vponsko, vendar kristalografska analiza potrjuje, da zaradi koordiniranega gibanja vponke in peclja temu ni tako. Pomembna je tudi funkcija vponke, ki s svojim gibanjem med iniciacijo odpre glavni kanal RNAP, kar olajša vhod in izhod dvoverižne DNA, z zaprtjem pa prepreči pobeg DNA-RNA hibrida. Na konformacijo vplivajo transkripcijski faktorji. Prej omenjen TFE vstopi v stik z obema domenama in vponko pričvrsti v odprt položaj, kar je ključno za iniciacijo, nato tekom elongacije iz encima privre RNA, ki interagira z domeno peclja in sterično trči s TFE, kar vodi do njegove disociacije. Potek dogodkov omogoči vezavo Spt5, ki pomaga encimu vzdrževati odprto konformacijo in s tem zagotavlja procesivnost med elongacijo.<br /> <br /> == Regulacije terminacije ==<br /> <br /> Terminacija transkripcije poteče, ko elongacijski kompleks postane dovolj nestabilen, da ne more več vzdrževati stikov med RNA-polimerazo in nukleinskimi kislinami. Stabilnost kompleksa je odvisna predvsem od kontaktov med RNA-polimerazo in ssRNA, navzdoljno DNA in RNA-DNA hibridom ter od njegovih baznih parov. Najverjetneje se med terminacijo spremenijo kontakti med RNA-polimerazo in hibridom ter med baznimi pari v hibridu. Tako kot v drugih domenah, sta tudi pri arhejah predvidena dva mehanizma terminacije. To sta intrinzična in od faktorjev odvisna terminacija.<br /> <br /> Razlog za intrinzičen mehanizem so predvsem šibki kontakti med baznimi pari v RNA-DNA hibridu, kar pomeni, da ta mehanizem ni odvisen od aktivnosti nikakršnih transkripcijskih faktorjev. Arhejska RNA-polimeraza se odziva na določena zaporedja zelo podobno kot evkariontska RNA-polimeraza III. Terminacijo sproži pet do deset timidinskih ostankov na nematrični verigi, ki kodira zaporedje poliU na 3' koncu nascentne RNA. To povzroči nastanek rU:dA hibrida (na RNA je veliko uridinov, na DNA pa veliko adeninov) blizu mesta terminacije. Takšen hibrid ni dovolj energetsko stabilen, da bi elongacijski kompleks lahko nadaljeval s transkripcijo, zato ta spontano oddisociira.<br /> <br /> V našem članku je od faktorjev odvisna terminacija predstavljena kot zelo verjetna, vendar še ne dokazana. Da bi jo dokazali, so z biokemijskimi analizami našli nekaj potencialnih genov, vendar niso uspeli najti nobenih homologov evkariontskih ali bakterijskih terminacijskih faktorjev. Kljub temu so v arhejah opazili aktivnost, ki bi jo lahko pripisali terminacijskim faktorjem. Gre za polarno represijo navzdoljnih genov brez nadaljnje translacije, kar spominja na delovanje proteina Rho (bakterijski terminacijski faktor). Študije so tudi pokazale, da protein Rho lahko sproži terminacijo pri arhejah in vitro. Dokazali so tudi, da arhejska RNA-polimeraza lahko ustavi sintezo na kraju DNA poškodb in vitro, kar kaže, da tudi pri arhejah obstajajo mehanizmi za odstranitev RNA-polimeraze v primeru poškodb, kar je podpiralo hipotezo, da so tudi v arhejah prisotni terminacijski faktorji. Kasnejše raziskave so uspele ta mehanizem tudi dokazati.<br /> <br /> == Vpliv razporeditve kromatina ==<br /> <br /> Arhejski histoni zvijajo kromatin na podoben način kot evkariontski. So homo ali hetero tetrameri, homologni H3/H4 evkariontskemu tetrameru. Največja razlika je, da nimajo histonskih repkov. Kondenzacija kromatina omogoča dodatno regulacijo transkripcije preko dostopnosti promotorskih regij in možnih kromatinskih ovir za elongacijski kompleks. Histoni se načeloma ne nahajajo ob promotorskih regijah. Izkazalo se je, da arhejski nukleosomi le upočasnjujejo elongacijo, a je ne preprečujejo. Pri arhejah še niso znane histonske modifikacije ali mehanizmi premikanja nukleosomov, zato sklepajo, da gre elongacijski kompleks preprosto preko nukleosomov, kromatin pa se nato spontano reorganizira v začetno konformacijo. Opazili so tudi, da nukleosomov ni ob mestih terminacije, kar nakazuje, da razporeditev kromatina vpliva tudi na terminacijo transkripcije.<br /> <br /> Nekatere študije so pokazale, da imajo pri haloarhejah histoni pomembnejšo vlogo pri regulaciji ekspresije in obliki celice kot pa pri samem kompaktiranju DNA. Tako histonski proteini delujejo kot mestno specifični transkripcijski faktorji. Z delecijo genov za histon so pokazali, da histoni niso nujni in morda celo sploh ne sodelujejo pri organizaciji DNA, kar je v nasprotju z dosedanjimi prepričanji. Še vedno pa ni znano, ali so spremembe v ekspresiji genov, ki so nastale po deleciji, direktna posledica drugačne organizacije genoma ali lokaliziranih motenj, ki so vplivale na regulacijo.<br /> <br /> == Zaključek ==<br /> <br /> Regulacija transkripcije je tako kot pri drugih organizmih tudi pri arhejah kompleksen in večstopenjski proces, pri katerem je udeleženo mnogo faktorjev in elementov. Do določene mere se lahko primerja z regulacijo pri bakterijah in evkariontih, vendar so pri arhejah prisotne določene posebnosti, značilne le zanje. Je pa v primerjavi z regulacijo pri bakterijah in evkariontih še relativno neraziskana, vendar so znanstveniki na dobri poti k novim odkritjem. <br /> <br /> == Viri ==<br /> <br /> [1] Gehring, A. M., Walker, J. E., &amp; Santangelo, T. J. (2016). Transcription regulation in archaea. Journal of Bacteriology, 198(14), 1906–1917. https://doi.org/10.1128/JB.00255-16<br /> <br /> [2] Teichmann, M., Dumay-Odelot, H., &amp; Fribourg, S. (2012). Structural and functional aspects of winged-helix domains at the core of transcription initiation complexes. Transcription, 3(1), 2–7. https://doi.org/10.4161/trns.3.1.18917<br /> <br /> [3]Wenck, B. R., &amp; Santangelo, T. J. (n.d.). Archaeal transcription. Transcription, 11(5), 199–210. https://doi.org/10.1080/21541264.2020.1838865<br /> <br /> [4]Dulmage, K. A., Todor, H., &amp; Schmid, A. K. (2015). Growth-phase-specific modulation of cell morphology and gene expression by an archaeal histone protein. MBio, 6(5), e00649-00615. https://doi.org/10.1128/mBio.00649-15<br /> <br /> [5] Erie, D. A., Hajiseyedjavadi, O., Young, M. C., &amp; Von Hippel, P. H. (1993). Multiple rna polymerase conformations and grea: Control of the fidelity of transcription. Science, 262(5135), 867–873. https://doi.org/10.1126/science.8235608<br /> <br /> [[Category:SEM]] [[Category:BMB]]</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Regulacija_transkripcije_pri_arhejah&diff=22369 2023-05-16T16:35:24Z

<p>Tinkarakorosec: /* Potek regulacije iniciacije */</p> <hr /> <div>== Uvod ==<br /> <br /> Regulacija transkripcije je eden izmed ključnih procesov za regulacijo prisotnosti proteinov v celici, kar je zelo pomembno za uravnavanje metabolnih in ostalih procesov. Regulacija poteka v vseh treh stopnjah transkripcije: iniciaciji, elongaciji in terminaciji, ter na stopnji organizacje kromatina. <br /> <br /> == Regulacija iniciacije ==<br /> <br /> Na iniciacijo transkripcije DNA pri arhejah imajo močan regulatorni vpliv elementi DNA in transkripcijski faktorji. <br /> <br /> === Regulacija s transkripcijksimi faktorji ===<br /> <br /> Temeljna transkripcijska faktorja sta TATA-vezavni protein (angl. TATA-binding protein, v nadaljevanju TBP) in transkripcijski faktor B (v nadaljevanju TFB). Le-ta sta potrebna za transkripcijo pri optimiziranih pogojih, medtem ko v manj ugodnih pogojih pri začetku transkripcije pomaga transkripcijski faktor E (v nadaljevanju TFE). Za razliko od transkripcije pri evkariontih je odpiranje arhejskega promotorja proces, ki ni odvisen od energije. Zaradi tega sta TBP in TFB sama dovolj za pomoč RNA-polimerazi pri tvorbi prepisovalnega mehurčka. TFB je pri vseh arhejah odgovoren za stabilizacijo kompleksa DNA z vezanim TBP-jem. Skupaj nato novačita RNA-polimerazo. TFE𝛼 vsebuje dve domeni: domena s krilatim heliksom (angl. winged helix, v nadaljevanju WH) in domeno s cinkovim trakom [1]. Domena s krilatim heliksom je ena izmed osrednjih komponent transkripcijskega sistema. Sodeluje pri vzpostavitvi interakcij protein-DNA in protein-protein [2]. TFE𝛽 vsebuje ohranjeni domeni WH in FeS. Domena WH TFE𝛼 tvori kontakt z navzgornjo nematrično verigo DNA in pomaga tvoriti odprti promotorski kompleks. TFE ima morda ključno vlogo pri prilagajanju znotraj-molekulskih premikov RNA-polimeraze skozi transkripcijo, zlasti premik vponke. Interakcija TFE𝛼 z domenama peclja in vponke RNA-polimeraze med iniciacijo transkripcije lahko ohranja vponko v odprti konformaciji, ki je potrebna za iniciacijo in začetek elongacije.<br /> <br /> === Regulacija z elementi DNA ===<br /> <br /> Uravnavanje prepisovanja elementi DNA vršijo tako, da so prepoznani kot temeljni transkripcijski faktorji in vplivajo na nadaljne korake začetka prepisovanja promotorja. Ločimo štiri elemente DNA, ki uravnavajo začetek transkripcije pri arhejah. To so TATA škatla, ki se nahaja približno 25 bp navzgor od začetka iniciacije transkripcije, BRE - element, ki ga TFB prepozna [1] in določi smer poteka transkripcije [3], lociran tik nad TATA škatlo, INR - iniciacijski element, ki se nahaja v začetni že prepisani regiji, in PPE - element blizu promotorja, ki se nahaja med TATA škatlo in mestom iniciacije transkripcije<br /> Encim potrebuje le BRE in TATA škatlo za začetek prepisovanja, čeprav spremembe na ostalih elementih prav tako vplivajo na donos promotorja [1]. Le ta sekvenčna elementa sta pomembna za prepoznavo promotorja [3].<br /> <br /> === Potek regulacije iniciacije ===<br /> <br /> Sodelovanje naštetih regulatorjev je naslednje. TBP-ji olajšajo prepoznavo AT-bogate regije TATA škatle, ki se nahaja navzgor od mesta začetka transkripcije. To mesto je v arhejah specifično in se tako razlikuje od bolj spremenljivega mesta pri evkariontih. BRE novači TFB, kar omogoča zvitje DNA. Skupaj tako tvorijo orientirano in stabilno konformacijo za interakcijo z arhejsko RNA-polimerazo, kar omogoča nalaganje in razvitje dsDNA. V kolikor so pogoji suboptimalni, pa TFE olajša tvorbo odprtega kompleksa. INR in PPE nista potrebna za iniciacijo, vendar oba ojačata donos transkripcije in njune spremembe povzročijo zmanjšanje moči promotorja [3]. PPE poveča transkripcijski donos preko novačenja TFB-jev. PPE se nahaja na meji transkripcijskega mehurčka, kjer je pomemben za aktivnost TFE𝛼 in TFE𝛽.<br /> <br /> === Regulatorni učinek nukleosomov ===<br /> <br /> Na začetek iniciacije ima prav tako vpliv struktura kromatina na promotorskem mestu. Lahko omeji ali prepreči iniciacijo transkripcije s tem, da prepreči vezavo transkripcijskih faktorjev ali prepreči denaturacijo DNA. Vezavo omejujejo sterični in torzijski učinki, ki jih povzročajo histoni [1].<br /> <br /> == Regulacija elongacije == <br /> <br /> Ko se iniciacija zaključi in elongacije prične, se RNA-polimeraza (v nadaljevanju RNAP) konformacijsko spremeni, pride tudi do izmenjave regulatornih faktorjev. Najverjetnejša razlaga za ta pojav je pojav nascentnega prepisa, ki vpliva na vzpostavitev stabilnega elongacijskega kompleksa. Samih poznanih elongacijskih faktorjev je doslej zelo malo, odkrita sta bila samo dva. Prvi izmed njiju je faktor Spt5, ki je univerzalno ohranjen, najpogosteje ga najdemo v kompleksu s Spt4, odgovornim za stabilizacijo Spt5-RNAP interakcij. Drug je transkripcijski faktor S (TFS), ki kaže homolognost s C-končno domeno evkariontskega TFIIS in funkcijsko analognost GreA/GreB v bakterijah. GreA in GreB sta cepitvena faktorja, ključna za cepitev tri do devet nukleotidov nascentnega prepisa na 3’ koncu [5]. S tem omogočata nadaljevanje elongacije s cepljenega konca. Glede na veliko količino deljenih mehanizmov med evkarionti in arhejami je zelo nenavadno, da slednje v genomu ne vsebujejo kakršnihkoli kompleksov za posttranslacijske modifikacije transkripcijskega kompleksa ali za modifikacije kromatina. Prepisi tudi niso zaščiteni na koncih, ne potrebujejo izvenjedrnega transporta in so brez intronov. <br /> <br /> === Spt5 ===<br /> <br /> Prej omenjen Spt5 je homolog bakterijskemu NusG, sestavljata ga dve domeni. NusG N-končna domena (NGN), ki interagira s Spt4 in vsebuje hidrofobno depresijo, s katero interagira vponka na RNAP, in C-končna Kyepides-Ouzonis-Woese (KOW) domena, katera se za razliko od evkariontov pri arhejah ponovi le enkrat. Slednja ima visoko afiniteto za enoverižno RNA. Interakcije med Spt5 in RNAP niso nujne za elongacijo, a jo vseeno močno ojačajo, specifično z vplivom na procesivnost in hitrost elongacije. Razlog za vpliv leži v stabilizaciji vponske domene, ki dalje stabilizira DNA-RNA hibrid med transkripcijo. NGN ima prav tako stik z že prebranimi aminokislinskimi ostanki, kar onemogoča potovanje RNAP v obratni smeri. Spt5 lahko ima tako pozitiven kot negativen vpliv na hitrost elongacije, lahko jo tudi začasno prekine, glede na potrebe organizma. Za razliko od NGN KOW domena nima znanih partnerjev za interakcije ob sami RNA. Možna neodkrita vloga leži v interakcijah s terminacijskimi faktorji, na kar nakazuje NusG-KOW domena pri bakterijah. <br /> <br /> === Domene RNAP ===<br /> <br /> Strukturo RNAP lahko opišemo s tremi glavnimi domenami: jedro, vponka in pecelj. Najzanimivejša od teh je domena peclja, ki je ne najdemo pri bakterijski RNAP. Najverjetnejša razlaga za njeno funkcijo je vezava raznih transkripcijskih faktorjev na RNAP za regulacijo njene aktivnosti. Vezava omenjenih faktorjev je ključna za sprožitev intramolekularnih gibanj encima, nujnih za prehod med raznimi fazami transkripcije. Prvi opisi domene so predvidevali, da bo domena peclja močno sterično ovirala vponsko, vendar kristalografska analiza potrjuje, da zaradi koordiniranega gibanja vponke in peclja temu ni tako. Pomembna je tudi funkcija vponke, ki s svojim gibanjem med iniciacijo odpre glavni kanal RNAP, kar olajša vhod in izhod dvoverižne DNA, z zaprtjem pa prepreči pobeg DNA-RNA hibrida. Na konformacijo vplivajo transkripcijski faktorji. Prej omenjen TFE vstopi v stik z obema domenama in vponko pričvrsti v odprt položaj, kar je ključno za iniciacijo, nato tekom elongacije iz encima privre RNA, ki interagira z domeno peclja in sterično trči s TFE, kar vodi do njegove disociacije. Potek dogodkov omogoči vezavo Spt5, ki pomaga encimu vzdrževati odprto konformacijo in s tem zagotavlja procesivnost med elongacijo.<br /> <br /> == Regulacije terminacije ==<br /> <br /> Terminacija transkripcije poteče, ko elongacijski kompleks postane dovolj nestabilen, da ne more več vzdrževati stikov med RNA-polimerazo in nukleinskimi kislinami. Stabilnost kompleksa je odvisna predvsem od kontaktov med RNA-polimerazo in ssRNA, navzdoljno DNA in RNA-DNA hibridom ter od njegovih baznih parov. Najverjetneje se med terminacijo spremenijo kontakti med RNA-polimerazo in hibridom ter med baznimi pari v hibridu. Tako kot v drugih domenah, sta tudi pri arhejah predvidena dva mehanizma terminacije. To sta intrinzična in od faktorjev odvisna terminacija.<br /> <br /> Razlog za intrinzičen mehanizem so predvsem šibki kontakti med baznimi pari v RNA-DNA hibridu, kar pomeni, da ta mehanizem ni odvisen od aktivnosti nikakršnih transkripcijskih faktorjev. Arhejska RNA-polimeraza se odziva na določena zaporedja zelo podobno kot evkariontska RNA-polimeraza III. Terminacijo sproži pet do deset timidinskih ostankov na nematrični verigi, ki kodira zaporedje poliU na 3' koncu nascentne RNA. To povzroči nastanek rU:dA hibrida (na RNA je veliko uridinov, na DNA pa veliko adeninov) blizu mesta terminacije. Takšen hibrid ni dovolj energetsko stabilen, da bi elongacijski kompleks lahko nadaljeval s transkripcijo, zato ta spontano oddisociira.<br /> <br /> V našem članku je od faktorjev odvisna terminacija predstavljena kot zelo verjetna, vendar še ne dokazana. Da bi jo dokazali, so z biokemijskimi analizami našli nekaj potencialnih genov, vendar niso uspeli najti nobenih homologov evkariontskih ali bakterijskih terminacijskih faktorjev. Kljub temu so v arhejah opazili aktivnost, ki bi jo lahko pripisali terminacijskim faktorjem. Gre za polarno represijo navzdoljnih genov brez nadaljnje translacije, kar spominja na delovanje proteina Rho (bakterijski terminacijski faktor). Študije so tudi pokazale, da protein Rho lahko sproži terminacijo pri arhejah in vitro. Dokazali so tudi, da arhejska RNA-polimeraza lahko ustavi sintezo na kraju DNA poškodb in vitro, kar kaže, da tudi pri arhejah obstajajo mehanizmi za odstranitev RNA-polimeraze v primeru poškodb, kar je podpiralo hipotezo, da so tudi v arhejah prisotni terminacijski faktorji. Kasnejše raziskave so uspele ta mehanizem tudi dokazati.<br /> <br /> == Vpliv razporeditve kromatina ==<br /> <br /> Arhejski histoni zvijajo kromatin na podoben način kot evkariontski. So homo ali hetero tetrameri, homologni H3/H4 evkariontskemu tetrameru. Največja razlika je, da nimajo histonskih repkov. Kondenzacija kromatina omogoča dodatno regulacijo transkripcije preko dostopnosti promotorskih regij in možnih kromatinskih ovir za elongacijski kompleks. Histoni se načeloma ne nahajajo ob promotorskih regijah. Izkazalo se je, da arhejski nukleosomi le upočasnjujejo elongacijo, a je ne preprečujejo. Pri arhejah še niso znane histonske modifikacije ali mehanizmi premikanja nukleosomov, zato sklepajo, da gre elongacijski kompleks preprosto preko nukleosomov, kromatin pa se nato spontano reorganizira v začetno konformacijo. Opazili so tudi, da nukleosomov ni ob mestih terminacije, kar nakazuje, da razporeditev kromatina vpliva tudi na terminacijo transkripcije.<br /> <br /> Nekatere študije so pokazale, da imajo pri haloarhejah histoni pomembnejšo vlogo pri regulaciji ekspresije in obliki celice kot pa pri samem kompaktiranju DNA. Tako histonski proteini delujejo kot mestno specifični transkripcijski faktorji. Z delecijo genov za histon so pokazali, da histoni niso nujni in morda celo sploh ne sodelujejo pri organizaciji DNA, kar je v nasprotju z dosedanjimi prepričanji. Še vedno pa ni znano, ali so spremembe v ekspresiji genov, ki so nastale po deleciji, direktna posledica drugačne organizacije genoma ali lokaliziranih motenj, ki so vplivale na regulacijo.<br /> <br /> == Zaključek ==<br /> <br /> Regulacija transkripcije je tako kot pri drugih organizmih tudi pri arhejah kompleksen in večstopenjski proces, pri katerem je udeleženo mnogo faktorjev in elementov. Do določene mere se lahko primerja z regulacijo pri bakterijah in evkariontih, vendar so pri arhejah prisotne določene posebnosti, značilne le zanje. Je pa v primerjavi z regulacijo pri bakterijah in evkariontih še relativno neraziskana, vendar so znanstveniki na dobri poti k novim odkritjem. <br /> <br /> == Viri ==<br /> <br /> [1] Gehring, A. M., Walker, J. E., &amp; Santangelo, T. J. (2016). Transcription regulation in archaea. Journal of Bacteriology, 198(14), 1906–1917. https://doi.org/10.1128/JB.00255-16<br /> <br /> [2] Teichmann, M., Dumay-Odelot, H., &amp; Fribourg, S. (2012). Structural and functional aspects of winged-helix domains at the core of transcription initiation complexes. Transcription, 3(1), 2–7. https://doi.org/10.4161/trns.3.1.18917<br /> <br /> [3]Wenck, B. R., &amp; Santangelo, T. J. (n.d.). Archaeal transcription. Transcription, 11(5), 199–210. https://doi.org/10.1080/21541264.2020.1838865<br /> <br /> [4]Dulmage, K. A., Todor, H., &amp; Schmid, A. K. (2015). Growth-phase-specific modulation of cell morphology and gene expression by an archaeal histone protein. MBio, 6(5), e00649-00615. https://doi.org/10.1128/mBio.00649-15<br /> <br /> [5] Erie, D. A., Hajiseyedjavadi, O., Young, M. C., &amp; Von Hippel, P. H. (1993). Multiple rna polymerase conformations and grea: Control of the fidelity of transcription. Science, 262(5135), 867–873. https://doi.org/10.1126/science.8235608<br /> <br /> [[Category:SEM]] [[Category:BMB]]</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=BIO2_Povzetki_seminarjev_2022&diff=21022 2022-10-25T16:09:52Z

<p>Tinkarakorosec: /* Tinkara Korošec - Vpliv bakterijskega oponašanja evkariontskih signalnih molekul na človeka */</p> <hr /> <div>= POVZETKI SEMINARJEV BIOKEMIJA 2022/23 =<br /> ==Tinkara Korošec - Vpliv bakterijskega oponašanja evkariontskih signalnih molekul na človeka==<br /> <br /> S koevolucijo patogenov in njegovih gostiteljev so oboji razvili svoje obrambne mehanizme. Pri nekaterih patogenih je ta proces vodil v evolucijo efektorskih proteinov, ki imitirajo evkariontske proteine in manipulirajo z gostiteljevimi signalnimi potimi. Pojav imenujemo imitacija molekul (angl. molecular mimicry). Gre za proteine, zelo podobne evkariontskim proteinom ali njihovim domenam. Patogene bakterije lahko imitirajo GTPazne regulatorje. Ti so dovzetni za biokemijske abnormalnosti, ki so direktno povezane z boleznimi. Največji skupek imitiranih proteinov so odkrili v bakterijskem rodu Legionella. Med okužbo patogen spremeni namembnost gostiteljske celice za optimizacijo pogojev, ki bakteriji omogočijo preživetje. Če se gostiteljske celice zdravijo, je tako okolje manj ugodno za bakterije in obolenje bo težje napredovalo. Z razumevanjem motivne imitacije preko kratkih linearnih motivov ali SLiM-ov, ki jo uporabljajo bakterije med okužbo, lahko razširimo spekter alternativ zdravljenja infekcij. S porastom rezistence na antibiotike, se je povečala tudi potreba po novih antibiotičnih terapijah. Obetavna alternativo antibiotikom predstavlja ciljanje gostitelja, da ta ustvari neugodno okolje za patogen, kar doseže s povzročanjem motenj v SLiM posredovanih interakcijah.<br /> <br /> ==Pia Kristanc - Toksini kot inhibitorji ionskih kanalov==<br /> <br /> Toksini so sestavine živalskih strupov, ki na žrtev delujejo na različne načine. Njihov cilj so pogosto ionski kanali, saj tako lahko že majhna količina strupa močno vpliva na veliko različnih procesov. Toksini pogosto delujejo kot inhibitorji. Kanal lahko inhibirajo tako, da zmotijo mehanizem odpiranja in zapiranja ali pa se vežejo direktno v poro in tako zamašijo kanal. Ionski kanali so tudi zanimivi kot tarče za zdravila, vendar je zelo težko ustvariti takšna, ki bi uspešno ciljala točno določen ionski kanal. Znanstveniki so zato začeli raziskovati toksine kot potencialna biološka zdravila. Primer takšnega že potrjenega zdravila je zikonotid, ki se uporablja kot analgetik. Pridobljen je iz strupa stožčastega polža in deluje kot inhibitor od napetosti odvisnega kalcijevega kanala, ki se nahaja v živčevju. Toksin blokira kanalsko poro in tako onemogoči njegovo delovanje. Drug primer sta dva toksina, ki blokirata ionske kanale za zaznavanje kisline (ASIC). Pri teh je proton ligand, odgovoren za odprtje in zaprtje, zato je kanal direktno odvisen od pH okolja. Toksina, ki ga lahko inhibirata, sta mambalagin, pridobljen iz kače črne mambe, in π-heksatoksin-Hi1a, pridobljen iz avstralskega pajka. Prvi deluje kot analgetik, drugi pa izboljšuje posledice po ishemični kapi. Raziskovanje delovanja toksinov je pripomoglo k poznavanju delovanja ionskih kanalov, hkrati pa odpira možnosti za razvoj analgetikov, ki ne bi vsebovali opioidov.<br /> <br /> ==Marcel Tušek - Pomembnost mitofagije, njena vloga ter korelacija z Atg32 receptorjem==<br /> <br /> Mitofagija je specifičen proces, ki pomeni, da poteka avtofagija mitohondrija. Ta proces v celici je nastal evolucijsko. To lahko sklepamo po tem, da se aktivira v času pomanjkanja, kar je bilo preteklosti velikokrat prisotno, saj nismo vedno imeli dostopa do hrane. Poznamo tri vrste avtofagije. Celica ima dva procesa s katerima lahko uničuje visoko reaktivne kisikove radikale, ki nastanejo v času oksidativne fosforilacije. To sta mitofagija ter derivat NAC-a, saj obadva razgrajujeta te radikale. Razlika je, da NAC razgradi samo te radikale, medtem ko mitofagija pa kar celoten mitohondrij. Pri mitofagiji je trenutno znanih 32 proteinov, ki so specializirani samo za avtofagijo. Eden najpomembnejših izmed teh proteinov je Atg32, saj če on ni fosforiliran, mitofagija sploh ne more biti inducirana. Atg pomni, da je ta protein avtofagosomsko-povezan. Atg32 je transmembranski receptor, ki celici avtofagosomu sporoča, kam se naj veže. Najdemo ga na zunanji strani membrane mitohondrija. Pokazano je tudi bilo, da če Atg32 vežemo na peroksisome, jih je proces avtofagije sposoben razgraditi.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=BIO2_Povzetki_seminarjev_2022&diff=21017 2022-10-23T14:52:30Z

<p>Tinkarakorosec: /* Tinkara Korošec - Vpliv bakterijskega oponašanja evkariontskih signalnih molekul na človeka */</p> <hr /> <div>= POVZETKI SEMINARJEV BIOKEMIJA 2022/23 =<br /> ==Tinkara Korošec - Vpliv bakterijskega oponašanja evkariontskih signalnih molekul na človeka==<br /> <br /> S koevolucijo patogenov in njegovega gostitelja, sta oba razvila svoje obrambne mehanizme. Pri nekaterih patogenih je ta proces vodil v evolucijo efektorskih proteinov, ki imitirajo evkariontske proteine in manipulirajo gostiteljeve signalne poti. Ta pojav imenujemo imitacija molekul (angl. molecular mimicry). To so proteini, zelo podobni evkariontskim proteinom ali njihovim domenam. Poznamo štiri tipe imitacij. Podobnost v sekvenci, strukturne podobnosti, motivna imitacija in imitacija stične površine. Razvila se je preko enega od dveh mehanizmov; konvergentne evolucije ali horizontalnega genskega prenosa - HGT. Patogene bakterije lahko imitirajo GTPazni aktivirajoči protein – GAP. Ta pospešuje počasno hidrolizo GTP-ja na α-podenoti G-proteina v GDP, kar onesposobi G-protein. Slednji sodeluje pri signalizaciji preko GPCR-ja. Druga plat GTPaznih regulatorjev je, da so dovzetni za biokemijske abnormalnosti, ki so direktno povezane z boleznimi. Največji skupek imitiranih proteinov so odkrili v rodu Legionella. Med okužbo patogen spremeni namembnost gostiteljeve celice za optimizacijo pogojev, ki bakteriji omogočijo preživetje. Če se gostiteljske celice zdravijo, je tako okolje manj ugodno za bakterije in obolenje bo težje napredovalo. Z razumevanjem motivne imitacije preko SLiM-ov, ki jo uporabljajo bakterije med okužbo lahko razširimo spekter alternativ zdravljenja infekcij. S porastom rezistence na antibiotike, je porastla tudi potreba po novih antibiotičnih terapijah. Obetavna alternativa antibiotikom je ciljanje gostitelja, da ta ustvari neugodno okolje za patogen, s povzročanjem motenj v SLiM posredovanih interakcijah.<br /> <br /> ==Pia Kristanc - Toksini kot inhibitorji ionskih kanalov==<br /> <br /> Toksini so sestavine živalskih strupov, ki na žrtev delujejo na različne načine. Njihov cilj so pogosto ionski kanali, saj tako lahko že majhna količina strupa močno vpliva na veliko različnih procesov. Toksini pogosto delujejo kot inhibitorji. Kanal lahko inhibirajo tako, da zmotijo mehanizem odpiranja in zapiranja ali pa se vežejo direktno v poro in tako zamašijo kanal. Ionski kanali so tudi zanimivi kot tarče za zdravila, vendar je zelo težko ustvariti takšna, ki bi uspešno ciljala točno določen ionski kanal. Znanstveniki so zato začeli raziskovati toksine kot potencialna biološka zdravila. Primer takšnega že potrjenega zdravila je zikonotid, ki se uporablja kot analgetik. Pridobljen je iz strupa stožčastega polža in deluje kot inhibitor od napetosti odvisnega kalcijevega kanala, ki se nahaja v živčevju. Toksin blokira kanalsko poro in tako onemogoči njegovo delovanje. Drug primer sta dva toksina, ki blokirata ionske kanale za zaznavanje kisline (ASIC). Pri teh je proton ligand, odgovoren za odprtje in zaprtje, zato je kanal direktno odvisen od pH okolja. Toksina, ki ga lahko inhibirata, sta mambalagin, pridobljen iz kače črne mambe, in π-heksatoksin-Hi1a, pridobljen iz avstralskega pajka. Prvi deluje kot analgetik, drugi pa izboljšuje posledice po ishemični kapi. Raziskovanje delovanja toksinov je pripomoglo k poznavanju delovanja ionskih kanalov, hkrati pa odpira možnosti za razvoj analgetikov, ki ne bi vsebovali opioidov.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=BIO2_Povzetki_seminarjev_2022&diff=21016 2022-10-23T14:52:02Z

<p>Tinkarakorosec: /* POVZETKI SEMINARJEV BIOKEMIJA 2022/23 */</p> <hr /> <div>= POVZETKI SEMINARJEV BIOKEMIJA 2022/23 =<br /> ==Tinkara Korošec - Vpliv bakterijskega oponašanja evkariontskih signalnih molekul na človeka==<br /> <br /> S koevolucijo patogenov in njegovega gostitelja, sta oba razvila svoje obrambne mehanizme. Pri nekaterih patogenih, je ta proces vodil v evolucijo efektorskih proteinov, ki imitirajo evkariontske proteine in manipulirajo gostiteljeve signalne poti. Ta pojav imenujemo imitacija molekul (angl. molecular mimicry). To so proteini, zelo podobni evkariontskim proteinom ali njihovim domenam. Poznamo štiri tipe imitacij. Podobnost v sekvenci, strukturne podobnosti, motivna imitacija in imitacija stične površine. Razvila se je preko enega od dveh mehanizmov; konvergentne evolucije ali horizontalnega genskega prenosa - HGT. Patogene bakterije lahko imitirajo GTPazni aktivirajoči protein – GAP. Ta pospešuje počasno hidrolizo GTP-ja na α-podenoti G-proteina v GDP, kar onesposobi G-protein. Slednji sodeluje pri signalizaciji preko GPCR-ja. Druga plat GTPaznih regulatorjev je, da so dovzetni za biokemijske abnormalnosti, ki so direktno povezane z boleznimi. Največji skupek imitiranih proteinov so odkrili v rodu Legionella. Med okužbo patogen spremeni namembnost gostiteljeve celice za optimizacijo pogojev, ki bakteriji omogočijo preživetje. Če se gostiteljske celice zdravijo, je tako okolje manj ugodno za bakterije in obolenje bo težje napredovalo. Z razumevanjem motivne imitacije preko SLiM-ov, ki jo uporabljajo bakterije med okužbo lahko razširimo spekter alternativ zdravljenja infekcij. S porastom rezistence na antibiotike, je porastla tudi potreba po novih antibiotičnih terapijah. Obetavna alternativa antibiotikom je ciljanje gostitelja, da ta ustvari neugodno okolje za patogen, s povzročanjem motenj v SLiM posredovanih interakcijah.<br /> <br /> ==Pia Kristanc - Toksini kot inhibitorji ionskih kanalov==<br /> <br /> Toksini so sestavine živalskih strupov, ki na žrtev delujejo na različne načine. Njihov cilj so pogosto ionski kanali, saj tako lahko že majhna količina strupa močno vpliva na veliko različnih procesov. Toksini pogosto delujejo kot inhibitorji. Kanal lahko inhibirajo tako, da zmotijo mehanizem odpiranja in zapiranja ali pa se vežejo direktno v poro in tako zamašijo kanal. Ionski kanali so tudi zanimivi kot tarče za zdravila, vendar je zelo težko ustvariti takšna, ki bi uspešno ciljala točno določen ionski kanal. Znanstveniki so zato začeli raziskovati toksine kot potencialna biološka zdravila. Primer takšnega že potrjenega zdravila je zikonotid, ki se uporablja kot analgetik. Pridobljen je iz strupa stožčastega polža in deluje kot inhibitor od napetosti odvisnega kalcijevega kanala, ki se nahaja v živčevju. Toksin blokira kanalsko poro in tako onemogoči njegovo delovanje. Drug primer sta dva toksina, ki blokirata ionske kanale za zaznavanje kisline (ASIC). Pri teh je proton ligand, odgovoren za odprtje in zaprtje, zato je kanal direktno odvisen od pH okolja. Toksina, ki ga lahko inhibirata, sta mambalagin, pridobljen iz kače črne mambe, in π-heksatoksin-Hi1a, pridobljen iz avstralskega pajka. Prvi deluje kot analgetik, drugi pa izboljšuje posledice po ishemični kapi. Raziskovanje delovanja toksinov je pripomoglo k poznavanju delovanja ionskih kanalov, hkrati pa odpira možnosti za razvoj analgetikov, ki ne bi vsebovali opioidov.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=BIO2_Seminar_2022&diff=20998 2022-10-15T15:56:55Z

<p>Tinkarakorosec: </p> <hr /> <div>= Biokemijski seminar =<br /> doc. dr. Gregor Gunčar, K2.022<br /> <br /> == Seznam seminarjev ==<br /> {| class=&quot;wikitable&quot;<br /> ! ime in priimek !! poglavje !! naslov seminarja !! recenzent 1 !! recenzent 2 !! datum oddaje !! datum recenzije !! datum predstavitve<br /> |-<br /> ! Tinkara Korošec<br /> | 12 || Vpliv bakterijskega oponašanja evkariontskih signalih molekul na človeka || Martin Kresal || Lena Kogoj || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Marcel Tušek<br /> | 12 || || Laura Trček || Naja Pečovnik Wutt || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Pia Kristanc<br /> | 12 || || Filip Petrovič || Matija Novel || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Samo Pucihar<br /> | 12 || || Patricija Kolander || Sofija Stevanović || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Luka Fink<br /> | 12 || || Tonja Jeromelj || Martin Kresal || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Tin Vranješ<br /> | 12 || || Marcel Tušek || Laura Trček || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Lucija Kovaček<br /> | 12 || || Pia Kristanc || Filip Petrovič || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Mark Varlamov<br /> | 12 || || Samo Pucihar || Patricija Kolander || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Klemen Justin<br /> | 14-15 || || Luka Fink || Tonja Jeromelj || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Teja Mohar<br /> | 14-15 || || Tin Vranješ || Marcel Tušek || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Tea Amidović<br /> | 14-15 || || Lucija Kovaček || Pia Kristanc || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Taja Pojbič<br /> | 14-15 || || Mark Varlamov || Samo Pucihar || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Deni Krašna<br /> | 16 || || Klemen Justin || Luka Fink || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Zara Bunc<br /> | 16 || || Teja Mohar || Tin Vranješ || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Urša Lah<br /> | 16 || || Tea Amidović || Lucija Kovaček || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Žiga Koren<br /> | 16 || || Taja Pojbič || Mark Varlamov || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Tim-David Agrež<br /> | 17 || || Deni Krašna || Klemen Justin || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Aleš Poljanšek<br /> | 17 || || Zara Bunc || Teja Mohar || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Tonja Jeromelj<br /> | 17 || || Urša Lah || Tea Amidović || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Miha Tomšič<br /> | 17 || || Žiga Koren || Taja Pojbič || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Leila Bohorč<br /> | 18 || || Tim-David Agrež || Deni Krašna || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Teo Trost<br /> | 18 || || Aleš Poljanšek || Zara Bunc || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Ivana Stojić<br /> | 18 || || Tinkara Korošec || Urša Lah || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Lara Rajterič<br /> | 18 || || Miha Tomšič || Žiga Koren || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Primož Šenica Pavletič<br /> | 19 || || Leila Bohorč || Tim-David Agrež || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Špela Auer<br /> | 19 || || Teo Trost || Aleš Poljanšek || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Gal Kastelic<br /> | 19 || || Ivana Stojić || Tinkara Korošec || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Miljan Trajković<br /> | 19 || || Lara Rajterič || Miha Tomšič || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Taja Mužič<br /> | 20 || || Primož Šenica Pavletič || Leila Bohorč || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Mia Kobal<br /> | 20 || || Špela Auer || Teo Trost || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Laura Simonič<br /> | 20 || || Gal Kastelic || Ivana Stojić || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Karin Rak<br /> | 20 || || Miljan Trajković || Lara Rajterič || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Ula Mikoš<br /> | 21 || || Taja Mužič || Primož Šenica Pavletič || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Lara Zupanc<br /> | 21 || || Mia Kobal || Špela Auer || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Lena Kogoj<br /> | 21 || || Laura Simonič || Gal Kastelic || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Naja Pečovnik Wutt<br /> | 22 || || Karin Rak || Miljan Trajković || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Matija Novel<br /> | 22 || || Ula Mikoš || Taja Mužič || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Sofija Stevanović<br /> | 22 || || Lara Zupanc || Mia Kobal || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Martin Kresal<br /> | 23 || || Lena Kogoj || Laura Simonič || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Laura Trček<br /> | 23 || || Naja Pečovnik Wutt || Karin Rak || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Filip Petrovič<br /> | 23 || || Matija Novel || Ula Mikoš || 06/01/21 || 09/01/21 || 11/01/21<br /> |-<br /> ! Patricija Kolander<br /> | 23 || || Sofija Stevanović || Lara Zupanc || 06/01/21 || 09/01/21 || 11/01/21<br /> |}<br /> <br /> *številka v okencu za temo pomeni poglavje v Lehningerju, v katerega naj izbrana tema spada<br /> Razporeditev je začasna in se lahko še spremeni, načeloma pa se termini do vključno 18. poglavja ne bodo spreminjali. <br /> Prosim, da mi sporočite morebitne napake ali če vas nisem razporedil.<br /> <br /> == Gradivo za predavanja ==<br /> Gradivo za predavanja in seminarje najdete na http://bio.ijs.si/~zajec/bio2/<br /> username: bio2<br /> password: samozame<br /> <br /> ==Naloga==<br /> '''Vaša naloga za seminar je:&lt;br&gt;'''<br /> Samostojno pripraviti seminar o seminarski temi, ki vam je bila dodeljena. Za osnovo morate vzeti &lt;font color=red&gt; pregledni &lt;/font&gt; članek iz revije, ki ima faktor vpliva nad 5 (npr. [http://www.sciencedirect.com/science/journal/09680004/ TIBS]. Poiskati morate še vsaj tri znanstvene članke, ki se nanašajo na opisano temo, in jih uporabiti kot podlago za seminarsko nalogo! Članki so dostopni [https://libgen.is/ tukaj].<br /> <br /> Za pripravo seminarja velja naslednje:&lt;br&gt;<br /> * [[BIO2 Povzetki seminarjev 2021|Povzetek seminarja]] opišete na wikiju '''v 200 besedah''' (+- dvajset besed) - najkasneje do dne, ko morate oddati seminar recenzentom. Pvzetek je tudi del pisnega izdelka.<br /> * Povezavo do povzetka vnesete v tabelo seminarjev tekočega letnika.<br /> * Seminar pripravite v obliki seminarske naloge na ~5–12 straneh A4 (pisava 12, enojni razmak, 2,5 cm robovi). Obseg seminarja naj bo &lt;font color=red&gt;2700 do 3000 besed &lt;/font&gt;, a ne več kot 3500 besed. Seminarska naloga mora vsebovati najmanj tri slike, bolje več. &lt;font color=red&gt;Eno sliko morate narisati sami in to pod sliko posebej označiti. Slika mora imeti legendo in v besedilu mora biti na ustreznem mestu sklic na sliko. &lt;/font&gt;<br /> * Seminar oddajte do datuma oddaje, ki je naveden v tabeli, v elektronski obliki z uporabo [http://bio.ijs.si/~zajec/poslji/ tega obrazca].<br /> * Vsi seminarji so v elektronski obliki dostopni [http://bio.ijs.si/~zajec/poslji/bioseminar/ tukaj].<br /> * Recenzenti do dneva, določenega v tabeli, določijo popravke (v elektronski obliki) in podajo oceno pisnega dela. Popravljen seminar oddajte z uporabo [http://bio.ijs.si/~zajec/poslji/ tega obrazca].<br /> * Ustna predstavitev sledi na dan, ki je vpisan v tabeli. Za predstavitev je na voljo 15-18 minut. Recenzenti morajo biti na predstavitvi prisotni.<br /> * Predstavitvi sledi razprava. Recenzenti podajo oceno predstavitve in postavijo najmanj dve vprašanji. Vsi ostali morajo postaviti še dve dodatni vprašanji v okviru celega seminarskega obdobja. Vprašanja, ki ste jih postavili, vpišite na [https://docs.google.com/forms/d/e/1FAIpQLSdV9OFlNzI3XyS8FRGnuIbG89gwH_36uwz29ocigV--2CXSbQ/viewform tukaj].<br /> * Na dan predstavitve morate docentu še pred predstavitvijo oddati končno (popravljeno) in natisnjeno verzijo seminarja v enem izvodu, elektronsko verzijo seminarja in predstavitev pa oddati na strežnik na dan predstavitve do polnoči.<br /> * Seminarska naloga in povzetek morajo biti v slovenskem jeziku, razen za študente, katerih materni jezik ni slovenščina. Ti lahko oddajo seminar v angleškem jeziku.<br /> <br /> ==&lt;font color=green&gt;Imena datotek&lt;/font&gt;==<br /> Prosim vas, da vse datoteke, ki mi jih pošiljate, poimenujete po naslednjem receptu:<br /> * 312_BIO_Priimek_Ime.docx za seminar, npr. 312_BIO_Guncar_Gregor.docx<br /> * 312_BIO_Priimek_ime_final.docx za končno verzijo seminarja<br /> * 312_BIO_Priimek_Ime_rec_Priimek2.docx za recenzijo, kjer je Priimek2 priimek recenzenta, npr. 312_BIO_Guncar_Gregor_rec_Scott.docx (če se pišete Scott in odajate recenzijo za seminar, ki ga je napisal Gunčar)<br /> * 312_BIO_Priimek_Ime.pptx za prezentacijo, npr 312_BIO_Guncar_Gregor.pptx<br /> * &lt;font color=green&gt;312_BIO_Priimek_ime_poprava.doc(x) za popravljeno končno verzijo seminarja, če so popravki manjši&lt;/font&gt;<br /> <br /> ==Ocenjevanje seminarjev==<br /> Recenzenti ocenijo seminar tako, da izpolnijo [https://docs.google.com/forms/d/1EQDYwFO-DEzZ2R7jf8DhLqIeV4FFxRd3-ScceEASpt4/viewform recenzentsko poročilo] na spletu. Recenzentsko poročilo morate oddati najkasneje do 21:00, en dan pred predstavitvijo seminarja.<br /> <br /> == Mnenje o predstavitvi ==<br /> Vsak posameznik odda svoje mnenje o predstavitvi takoj po predstavitvi z online glasovanjem.<br /> <br /> ==Urejanje spletnih strani na wikiju==<br /> Wiki so razvili zato, da lahko spletne vsebine ureja vsakdo. Ukazi so preprosti, dokler si ne zamislite česa prav posebnega. Vseeno pa je Word v primerjavi z wikijem pravo čudežno orodje&amp;nbsp;... Če imate težave z oblikovanjem besedila, si preberite poglavje o urejanju wiki-strani na Wikipediji ([http://en.wikipedia.org/wiki/Help:Editing tule] v angleščini in [http://sl.wikipedia.org/wiki/Wikipedija:Urejanje_strani tu] v slovenščini). Pomaga tudi, če pogledate, kako je zapisana kakšna stran, ki se vam zdi v redu: kliknite na zavihek 'Uredite stran' in si poglejte, kako so vpisane povezave, kako nov odstavek in podobno. ''Na koncu seveda pod oknom za urejanje kliknite na 'Prekliči'.''<br /> <br /> ==Citiranje virov==<br /> Citiranje je možno po več shemah, važno je, da se držite ene same. V seminarskih nalogah in diplomskih nalogah FKKT uprabljajte shemo citiranja, ki je pobarvana &lt;font color=green&gt;zeleno&lt;/font&gt;.<br /> Temeljno načelo je, da je treba vir navesti na tak način, da ga je mogoče nedvoumno poiskati.<br /> Za citate v naravoslovju je najpogostejše citiranje po pravilniku ISO 690. [http://www.zveza-zotks.si/gzm/dokumenti/literatura.html Pravila], ki upoštevajo omenjeni standard, so pripravili pri ZTKS. Sicer pa ima vsaka revija lahko svoj način citiranja, ki ga je treba pri pisanju članka upoštevati.&lt;br&gt;<br /> '''Citiranje knjig:'''&lt;br&gt;<br /> Priimek, I. ''Naslov''. Kraj: Založba, letnica.&lt;br&gt;<br /> Priimek, I. ''Naslov: podnaslov''. Izdaja. Kraj: Založba, letnica. Zbirka, številka. ISBN.&lt;br&gt;<br /> <br /> Boyer, R. ''Temelji biokemije''. Ljubljana: Študentska založba, 2005.&lt;br&gt;<br /> Glick BR in Pasternak JJ. ''Molecular biotechnology: principles and applications of recombinant DNA''. 3. izdaja. Washington: ASM Press, 2003. ISBN 1-55581-269-4.&lt;br&gt;<br /> Če so avtorji trije, je beseda in med drugim in tretjim avtorjem. Če so avtorji več kot trije, napišemo samo prvega in dopišemo ''et al''. (in drugi, po latinsko). Vse, kar je latinsko, pišemo poševno (npr. tudi imena rastlin in živali, pojme ''in vivo'', ''in vitro'' ipd.). <br /> <br /> '''Citiranje člankov:'''&lt;br&gt;<br /> Priimek, I. Naslov. ''Naslov revije'', letnica, letnik, številka, strani.&lt;br&gt;<br /> &lt;font color=green&gt;Lartigue, C., Glass, J. I., Alperovich, N., Pieper, R., Parmar, P. P., Hutchison III, C. A., Smith, H. O. in Venter, J. C.<br /> Genome transplantation in bacteria: changing one species to another. ''Science'', 2007, 317, str. 632-638.&lt;/font&gt;<br /> <br /> Alternativni način citiranja (predvsem v družboslovju) je po pravilih APA, kjer članke citirajo takole:&lt;br&gt;<br /> Priimek, I. (letnica, številka). Naslov. Naslov revije, strani.&lt;br&gt;<br /> Lartigue C. ''et al.'' (2007, 317) Genome transplantation in bacteria: changing one species to another. ''Science'', 632-638.<br /> <br /> Revija Science uporablja skrajšani zapis:&lt;br&gt;<br /> C. Lartigue ''et al''. Science 317, 632 (2007)&lt;br&gt;<br /> <br /> V diplomah na FKKT je treba navesti vire tako, da izpišete tudi naslov citiranega dela in strani od-do (ne samo začetne). Navesti morate tudi vse avtorje dela, razen v primeru, ko jih je 10 ali več. Takrat navedite le prvih devet, za ostale pa uporabite okrajšavo in sod. (in sodelavci). Pred zadnjim avtorjem naj bo vedno besedica &quot;in&quot;. <br /> <br /> <br /> '''Citiranje spletnih virov:'''&lt;br&gt;<br /> Priimek, I. ''Naslov dokumenta''. Izdaja. Kraj: Založnik, letnica. Datum zadnjega popravljanja. [Datum citiranja.] spletni naslov&lt;br&gt;<br /> strangeguitars. ''On the brink of artificial life''. 6. 10. 2007. [citirano 13. 11. 2007] http://www.metafilter.com/65331/On-the-brink-of-artificial-life&lt;br&gt;<br /> Navedemo čim več podatkov; pogosto vseh iz pravila ne boste našli.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=BIO2_Seminar_2022&diff=20997 2022-10-15T15:52:09Z

<p>Tinkarakorosec: /* Seznam seminarjev */</p> <hr /> <div>= Biokemijski seminar =<br /> doc. dr. Gregor Gunčar, K2.022<br /> <br /> == Seznam seminarjev ==<br /> {| class=&quot;wikitable&quot;<br /> ! ime in priimek !! poglavje !! naslov seminarja !! recenzent 1 !! recenzent 2 !! datum oddaje !! datum recenzije !! datum predstavitve<br /> |-<br /> ! Tinkara Korošec<br /> | 12 || Vpliv bakterijskega oponašanja signalih molekul na človeka || Martin Kresal || Lena Kogoj || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Marcel Tušek<br /> | 12 || || Laura Trček || Naja Pečovnik Wutt || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Pia Kristanc<br /> | 12 || || Filip Petrovič || Matija Novel || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Samo Pucihar<br /> | 12 || || Patricija Kolander || Sofija Stevanović || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Luka Fink<br /> | 12 || || Tonja Jeromelj || Martin Kresal || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Tin Vranješ<br /> | 12 || || Marcel Tušek || Laura Trček || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Lucija Kovaček<br /> | 12 || || Pia Kristanc || Filip Petrovič || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Mark Varlamov<br /> | 12 || || Samo Pucihar || Patricija Kolander || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Klemen Justin<br /> | 14-15 || || Luka Fink || Tonja Jeromelj || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Teja Mohar<br /> | 14-15 || || Tin Vranješ || Marcel Tušek || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Tea Amidović<br /> | 14-15 || || Lucija Kovaček || Pia Kristanc || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Taja Pojbič<br /> | 14-15 || || Mark Varlamov || Samo Pucihar || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Deni Krašna<br /> | 16 || || Klemen Justin || Luka Fink || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Zara Bunc<br /> | 16 || || Teja Mohar || Tin Vranješ || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Urša Lah<br /> | 16 || || Tea Amidović || Lucija Kovaček || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Žiga Koren<br /> | 16 || || Taja Pojbič || Mark Varlamov || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Tim-David Agrež<br /> | 17 || || Deni Krašna || Klemen Justin || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Aleš Poljanšek<br /> | 17 || || Zara Bunc || Teja Mohar || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Tonja Jeromelj<br /> | 17 || || Urša Lah || Tea Amidović || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Miha Tomšič<br /> | 17 || || Žiga Koren || Taja Pojbič || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Leila Bohorč<br /> | 18 || || Tim-David Agrež || Deni Krašna || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Teo Trost<br /> | 18 || || Aleš Poljanšek || Zara Bunc || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Ivana Stojić<br /> | 18 || || Tinkara Korošec || Urša Lah || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Lara Rajterič<br /> | 18 || || Miha Tomšič || Žiga Koren || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Primož Šenica Pavletič<br /> | 19 || || Leila Bohorč || Tim-David Agrež || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Špela Auer<br /> | 19 || || Teo Trost || Aleš Poljanšek || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Gal Kastelic<br /> | 19 || || Ivana Stojić || Tinkara Korošec || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Miljan Trajković<br /> | 19 || || Lara Rajterič || Miha Tomšič || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Taja Mužič<br /> | 20 || || Primož Šenica Pavletič || Leila Bohorč || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Mia Kobal<br /> | 20 || || Špela Auer || Teo Trost || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Laura Simonič<br /> | 20 || || Gal Kastelic || Ivana Stojić || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Karin Rak<br /> | 20 || || Miljan Trajković || Lara Rajterič || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Ula Mikoš<br /> | 21 || || Taja Mužič || Primož Šenica Pavletič || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Lara Zupanc<br /> | 21 || || Mia Kobal || Špela Auer || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Lena Kogoj<br /> | 21 || || Laura Simonič || Gal Kastelic || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Naja Pečovnik Wutt<br /> | 22 || || Karin Rak || Miljan Trajković || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Matija Novel<br /> | 22 || || Ula Mikoš || Taja Mužič || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Sofija Stevanović<br /> | 22 || || Lara Zupanc || Mia Kobal || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Martin Kresal<br /> | 23 || || Lena Kogoj || Laura Simonič || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Laura Trček<br /> | 23 || || Naja Pečovnik Wutt || Karin Rak || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Filip Petrovič<br /> | 23 || || Matija Novel || Ula Mikoš || 06/01/21 || 09/01/21 || 11/01/21<br /> |-<br /> ! Patricija Kolander<br /> | 23 || || Sofija Stevanović || Lara Zupanc || 06/01/21 || 09/01/21 || 11/01/21<br /> |}<br /> <br /> *številka v okencu za temo pomeni poglavje v Lehningerju, v katerega naj izbrana tema spada<br /> Razporeditev je začasna in se lahko še spremeni, načeloma pa se termini do vključno 18. poglavja ne bodo spreminjali. <br /> Prosim, da mi sporočite morebitne napake ali če vas nisem razporedil.<br /> <br /> == Gradivo za predavanja ==<br /> Gradivo za predavanja in seminarje najdete na http://bio.ijs.si/~zajec/bio2/<br /> username: bio2<br /> password: samozame<br /> <br /> ==Naloga==<br /> '''Vaša naloga za seminar je:&lt;br&gt;'''<br /> Samostojno pripraviti seminar o seminarski temi, ki vam je bila dodeljena. Za osnovo morate vzeti &lt;font color=red&gt; pregledni &lt;/font&gt; članek iz revije, ki ima faktor vpliva nad 5 (npr. [http://www.sciencedirect.com/science/journal/09680004/ TIBS]. Poiskati morate še vsaj tri znanstvene članke, ki se nanašajo na opisano temo, in jih uporabiti kot podlago za seminarsko nalogo! Članki so dostopni [https://libgen.is/ tukaj].<br /> <br /> Za pripravo seminarja velja naslednje:&lt;br&gt;<br /> * [[BIO2 Povzetki seminarjev 2021|Povzetek seminarja]] opišete na wikiju '''v 200 besedah''' (+- dvajset besed) - najkasneje do dne, ko morate oddati seminar recenzentom. Pvzetek je tudi del pisnega izdelka.<br /> * Povezavo do povzetka vnesete v tabelo seminarjev tekočega letnika.<br /> * Seminar pripravite v obliki seminarske naloge na ~5–12 straneh A4 (pisava 12, enojni razmak, 2,5 cm robovi). Obseg seminarja naj bo &lt;font color=red&gt;2700 do 3000 besed &lt;/font&gt;, a ne več kot 3500 besed. Seminarska naloga mora vsebovati najmanj tri slike, bolje več. &lt;font color=red&gt;Eno sliko morate narisati sami in to pod sliko posebej označiti. Slika mora imeti legendo in v besedilu mora biti na ustreznem mestu sklic na sliko. &lt;/font&gt;<br /> * Seminar oddajte do datuma oddaje, ki je naveden v tabeli, v elektronski obliki z uporabo [http://bio.ijs.si/~zajec/poslji/ tega obrazca].<br /> * Vsi seminarji so v elektronski obliki dostopni [http://bio.ijs.si/~zajec/poslji/bioseminar/ tukaj].<br /> * Recenzenti do dneva, določenega v tabeli, določijo popravke (v elektronski obliki) in podajo oceno pisnega dela. Popravljen seminar oddajte z uporabo [http://bio.ijs.si/~zajec/poslji/ tega obrazca].<br /> * Ustna predstavitev sledi na dan, ki je vpisan v tabeli. Za predstavitev je na voljo 15-18 minut. Recenzenti morajo biti na predstavitvi prisotni.<br /> * Predstavitvi sledi razprava. Recenzenti podajo oceno predstavitve in postavijo najmanj dve vprašanji. Vsi ostali morajo postaviti še dve dodatni vprašanji v okviru celega seminarskega obdobja. Vprašanja, ki ste jih postavili, vpišite na [https://docs.google.com/forms/d/e/1FAIpQLSdV9OFlNzI3XyS8FRGnuIbG89gwH_36uwz29ocigV--2CXSbQ/viewform tukaj].<br /> * Na dan predstavitve morate docentu še pred predstavitvijo oddati končno (popravljeno) in natisnjeno verzijo seminarja v enem izvodu, elektronsko verzijo seminarja in predstavitev pa oddati na strežnik na dan predstavitve do polnoči.<br /> * Seminarska naloga in povzetek morajo biti v slovenskem jeziku, razen za študente, katerih materni jezik ni slovenščina. Ti lahko oddajo seminar v angleškem jeziku.<br /> <br /> ==&lt;font color=green&gt;Imena datotek&lt;/font&gt;==<br /> Prosim vas, da vse datoteke, ki mi jih pošiljate, poimenujete po naslednjem receptu:<br /> * 312_BIO_Priimek_Ime.docx za seminar, npr. 312_BIO_Guncar_Gregor.docx<br /> * 312_BIO_Priimek_ime_final.docx za končno verzijo seminarja<br /> * 312_BIO_Priimek_Ime_rec_Priimek2.docx za recenzijo, kjer je Priimek2 priimek recenzenta, npr. 312_BIO_Guncar_Gregor_rec_Scott.docx (če se pišete Scott in odajate recenzijo za seminar, ki ga je napisal Gunčar)<br /> * 312_BIO_Priimek_Ime.pptx za prezentacijo, npr 312_BIO_Guncar_Gregor.pptx<br /> * &lt;font color=green&gt;312_BIO_Priimek_ime_poprava.doc(x) za popravljeno končno verzijo seminarja, če so popravki manjši&lt;/font&gt;<br /> <br /> ==Ocenjevanje seminarjev==<br /> Recenzenti ocenijo seminar tako, da izpolnijo [https://docs.google.com/forms/d/1EQDYwFO-DEzZ2R7jf8DhLqIeV4FFxRd3-ScceEASpt4/viewform recenzentsko poročilo] na spletu. Recenzentsko poročilo morate oddati najkasneje do 21:00, en dan pred predstavitvijo seminarja.<br /> <br /> == Mnenje o predstavitvi ==<br /> Vsak posameznik odda svoje mnenje o predstavitvi takoj po predstavitvi z online glasovanjem.<br /> <br /> ==Urejanje spletnih strani na wikiju==<br /> Wiki so razvili zato, da lahko spletne vsebine ureja vsakdo. Ukazi so preprosti, dokler si ne zamislite česa prav posebnega. Vseeno pa je Word v primerjavi z wikijem pravo čudežno orodje&amp;nbsp;... Če imate težave z oblikovanjem besedila, si preberite poglavje o urejanju wiki-strani na Wikipediji ([http://en.wikipedia.org/wiki/Help:Editing tule] v angleščini in [http://sl.wikipedia.org/wiki/Wikipedija:Urejanje_strani tu] v slovenščini). Pomaga tudi, če pogledate, kako je zapisana kakšna stran, ki se vam zdi v redu: kliknite na zavihek 'Uredite stran' in si poglejte, kako so vpisane povezave, kako nov odstavek in podobno. ''Na koncu seveda pod oknom za urejanje kliknite na 'Prekliči'.''<br /> <br /> ==Citiranje virov==<br /> Citiranje je možno po več shemah, važno je, da se držite ene same. V seminarskih nalogah in diplomskih nalogah FKKT uprabljajte shemo citiranja, ki je pobarvana &lt;font color=green&gt;zeleno&lt;/font&gt;.<br /> Temeljno načelo je, da je treba vir navesti na tak način, da ga je mogoče nedvoumno poiskati.<br /> Za citate v naravoslovju je najpogostejše citiranje po pravilniku ISO 690. [http://www.zveza-zotks.si/gzm/dokumenti/literatura.html Pravila], ki upoštevajo omenjeni standard, so pripravili pri ZTKS. Sicer pa ima vsaka revija lahko svoj način citiranja, ki ga je treba pri pisanju članka upoštevati.&lt;br&gt;<br /> '''Citiranje knjig:'''&lt;br&gt;<br /> Priimek, I. ''Naslov''. Kraj: Založba, letnica.&lt;br&gt;<br /> Priimek, I. ''Naslov: podnaslov''. Izdaja. Kraj: Založba, letnica. Zbirka, številka. ISBN.&lt;br&gt;<br /> <br /> Boyer, R. ''Temelji biokemije''. Ljubljana: Študentska založba, 2005.&lt;br&gt;<br /> Glick BR in Pasternak JJ. ''Molecular biotechnology: principles and applications of recombinant DNA''. 3. izdaja. Washington: ASM Press, 2003. ISBN 1-55581-269-4.&lt;br&gt;<br /> Če so avtorji trije, je beseda in med drugim in tretjim avtorjem. Če so avtorji več kot trije, napišemo samo prvega in dopišemo ''et al''. (in drugi, po latinsko). Vse, kar je latinsko, pišemo poševno (npr. tudi imena rastlin in živali, pojme ''in vivo'', ''in vitro'' ipd.). <br /> <br /> '''Citiranje člankov:'''&lt;br&gt;<br /> Priimek, I. Naslov. ''Naslov revije'', letnica, letnik, številka, strani.&lt;br&gt;<br /> &lt;font color=green&gt;Lartigue, C., Glass, J. I., Alperovich, N., Pieper, R., Parmar, P. P., Hutchison III, C. A., Smith, H. O. in Venter, J. C.<br /> Genome transplantation in bacteria: changing one species to another. ''Science'', 2007, 317, str. 632-638.&lt;/font&gt;<br /> <br /> Alternativni način citiranja (predvsem v družboslovju) je po pravilih APA, kjer članke citirajo takole:&lt;br&gt;<br /> Priimek, I. (letnica, številka). Naslov. Naslov revije, strani.&lt;br&gt;<br /> Lartigue C. ''et al.'' (2007, 317) Genome transplantation in bacteria: changing one species to another. ''Science'', 632-638.<br /> <br /> Revija Science uporablja skrajšani zapis:&lt;br&gt;<br /> C. Lartigue ''et al''. Science 317, 632 (2007)&lt;br&gt;<br /> <br /> V diplomah na FKKT je treba navesti vire tako, da izpišete tudi naslov citiranega dela in strani od-do (ne samo začetne). Navesti morate tudi vse avtorje dela, razen v primeru, ko jih je 10 ali več. Takrat navedite le prvih devet, za ostale pa uporabite okrajšavo in sod. (in sodelavci). Pred zadnjim avtorjem naj bo vedno besedica &quot;in&quot;. <br /> <br /> <br /> '''Citiranje spletnih virov:'''&lt;br&gt;<br /> Priimek, I. ''Naslov dokumenta''. Izdaja. Kraj: Založnik, letnica. Datum zadnjega popravljanja. [Datum citiranja.] spletni naslov&lt;br&gt;<br /> strangeguitars. ''On the brink of artificial life''. 6. 10. 2007. [citirano 13. 11. 2007] http://www.metafilter.com/65331/On-the-brink-of-artificial-life&lt;br&gt;<br /> Navedemo čim več podatkov; pogosto vseh iz pravila ne boste našli.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=BIO2_Seminar_2022&diff=20996 2022-10-14T15:08:01Z

<p>Tinkarakorosec: /* Seznam seminarjev */</p> <hr /> <div>= Biokemijski seminar =<br /> doc. dr. Gregor Gunčar, K2.022<br /> <br /> == Seznam seminarjev ==<br /> {| class=&quot;wikitable&quot;<br /> ! ime in priimek !! poglavje !! naslov seminarja !! recenzent 1 !! recenzent 2 !! datum oddaje !! datum recenzije !! datum predstavitve<br /> |-<br /> ! Tinkara Korošec<br /> | 12 || || Martin Kresal || Lena Kogoj || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Marcel Tušek<br /> | 12 || || Laura Trček || Naja Pečovnik Wutt || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Pia Kristanc<br /> | 12 || || Filip Petrovič || Matija Novel || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Samo Pucihar<br /> | 12 || || Patricija Kolander || Sofija Stevanović || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Luka Fink<br /> | 12 || || Tonja Jeromelj || Martin Kresal || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Tin Vranješ<br /> | 12 || || Marcel Tušek || Laura Trček || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Lucija Kovaček<br /> | 12 || || Pia Kristanc || Filip Petrovič || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Mark Varlamov<br /> | 12 || || Samo Pucihar || Patricija Kolander || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Klemen Justin<br /> | 14-15 || || Luka Fink || Tonja Jeromelj || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Teja Mohar<br /> | 14-15 || || Tin Vranješ || Marcel Tušek || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Tea Amidović<br /> | 14-15 || || Lucija Kovaček || Pia Kristanc || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Taja Pojbič<br /> | 14-15 || || Mark Varlamov || Samo Pucihar || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Deni Krašna<br /> | 16 || || Klemen Justin || Luka Fink || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Zara Bunc<br /> | 16 || || Teja Mohar || Tin Vranješ || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Urša Lah<br /> | 16 || || Tea Amidović || Lucija Kovaček || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Žiga Koren<br /> | 16 || || Taja Pojbič || Mark Varlamov || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Tim-David Agrež<br /> | 17 || || Deni Krašna || Klemen Justin || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Aleš Poljanšek<br /> | 17 || || Zara Bunc || Teja Mohar || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Tonja Jeromelj<br /> | 17 || || Urša Lah || Tea Amidović || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Miha Tomšič<br /> | 17 || || Žiga Koren || Taja Pojbič || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Leila Bohorč<br /> | 18 || || Tim-David Agrež || Deni Krašna || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Teo Trost<br /> | 18 || || Aleš Poljanšek || Zara Bunc || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Ivana Stojić<br /> | 18 || || Tinkara Korošec || Urša Lah || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Lara Rajterič<br /> | 18 || || Miha Tomšič || Žiga Koren || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Primož Šenica Pavletič<br /> | 19 || || Leila Bohorč || Tim-David Agrež || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Špela Auer<br /> | 19 || || Teo Trost || Aleš Poljanšek || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Gal Kastelic<br /> | 19 || || Ivana Stojić || Tinkara Korošec || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Miljan Trajković<br /> | 19 || || Lara Rajterič || Miha Tomšič || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Taja Mužič<br /> | 20 || || Primož Šenica Pavletič || Leila Bohorč || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Mia Kobal<br /> | 20 || || Špela Auer || Teo Trost || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Laura Simonič<br /> | 20 || || Gal Kastelic || Ivana Stojić || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Karin Rak<br /> | 20 || || Miljan Trajković || Lara Rajterič || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Ula Mikoš<br /> | 21 || || Taja Mužič || Primož Šenica Pavletič || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Lara Zupanc<br /> | 21 || || Mia Kobal || Špela Auer || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Lena Kogoj<br /> | 21 || || Laura Simonič || Gal Kastelic || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Naja Pečovnik Wutt<br /> | 22 || || Karin Rak || Miljan Trajković || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Matija Novel<br /> | 22 || || Ula Mikoš || Taja Mužič || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Sofija Stevanović<br /> | 22 || || Lara Zupanc || Mia Kobal || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Martin Kresal<br /> | 23 || || Lena Kogoj || Laura Simonič || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Laura Trček<br /> | 23 || || Naja Pečovnik Wutt || Karin Rak || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Filip Petrovič<br /> | 23 || || Matija Novel || Ula Mikoš || 06/01/21 || 09/01/21 || 11/01/21<br /> |-<br /> ! Patricija Kolander<br /> | 23 || || Sofija Stevanović || Lara Zupanc || 06/01/21 || 09/01/21 || 11/01/21<br /> |}<br /> <br /> *številka v okencu za temo pomeni poglavje v Lehningerju, v katerega naj izbrana tema spada<br /> Razporeditev je začasna in se lahko še spremeni, načeloma pa se termini do vključno 18. poglavja ne bodo spreminjali. <br /> Prosim, da mi sporočite morebitne napake ali če vas nisem razporedil.<br /> <br /> == Gradivo za predavanja ==<br /> Gradivo za predavanja in seminarje najdete na http://bio.ijs.si/~zajec/bio2/<br /> username: bio2<br /> password: samozame<br /> <br /> ==Naloga==<br /> '''Vaša naloga za seminar je:&lt;br&gt;'''<br /> Samostojno pripraviti seminar o seminarski temi, ki vam je bila dodeljena. Za osnovo morate vzeti &lt;font color=red&gt; pregledni &lt;/font&gt; članek iz revije, ki ima faktor vpliva nad 5 (npr. [http://www.sciencedirect.com/science/journal/09680004/ TIBS]. Poiskati morate še vsaj tri znanstvene članke, ki se nanašajo na opisano temo, in jih uporabiti kot podlago za seminarsko nalogo! Članki so dostopni [https://libgen.is/ tukaj].<br /> <br /> Za pripravo seminarja velja naslednje:&lt;br&gt;<br /> * [[BIO2 Povzetki seminarjev 2021|Povzetek seminarja]] opišete na wikiju '''v 200 besedah''' (+- dvajset besed) - najkasneje do dne, ko morate oddati seminar recenzentom. Pvzetek je tudi del pisnega izdelka.<br /> * Povezavo do povzetka vnesete v tabelo seminarjev tekočega letnika.<br /> * Seminar pripravite v obliki seminarske naloge na ~5–12 straneh A4 (pisava 12, enojni razmak, 2,5 cm robovi). Obseg seminarja naj bo &lt;font color=red&gt;2700 do 3000 besed &lt;/font&gt;, a ne več kot 3500 besed. Seminarska naloga mora vsebovati najmanj tri slike, bolje več. &lt;font color=red&gt;Eno sliko morate narisati sami in to pod sliko posebej označiti. Slika mora imeti legendo in v besedilu mora biti na ustreznem mestu sklic na sliko. &lt;/font&gt;<br /> * Seminar oddajte do datuma oddaje, ki je naveden v tabeli, v elektronski obliki z uporabo [http://bio.ijs.si/~zajec/poslji/ tega obrazca].<br /> * Vsi seminarji so v elektronski obliki dostopni [http://bio.ijs.si/~zajec/poslji/bioseminar/ tukaj].<br /> * Recenzenti do dneva, določenega v tabeli, določijo popravke (v elektronski obliki) in podajo oceno pisnega dela. Popravljen seminar oddajte z uporabo [http://bio.ijs.si/~zajec/poslji/ tega obrazca].<br /> * Ustna predstavitev sledi na dan, ki je vpisan v tabeli. Za predstavitev je na voljo 15-18 minut. Recenzenti morajo biti na predstavitvi prisotni.<br /> * Predstavitvi sledi razprava. Recenzenti podajo oceno predstavitve in postavijo najmanj dve vprašanji. Vsi ostali morajo postaviti še dve dodatni vprašanji v okviru celega seminarskega obdobja. Vprašanja, ki ste jih postavili, vpišite na [https://docs.google.com/forms/d/e/1FAIpQLSdV9OFlNzI3XyS8FRGnuIbG89gwH_36uwz29ocigV--2CXSbQ/viewform tukaj].<br /> * Na dan predstavitve morate docentu še pred predstavitvijo oddati končno (popravljeno) in natisnjeno verzijo seminarja v enem izvodu, elektronsko verzijo seminarja in predstavitev pa oddati na strežnik na dan predstavitve do polnoči.<br /> * Seminarska naloga in povzetek morajo biti v slovenskem jeziku, razen za študente, katerih materni jezik ni slovenščina. Ti lahko oddajo seminar v angleškem jeziku.<br /> <br /> ==&lt;font color=green&gt;Imena datotek&lt;/font&gt;==<br /> Prosim vas, da vse datoteke, ki mi jih pošiljate, poimenujete po naslednjem receptu:<br /> * 312_BIO_Priimek_Ime.docx za seminar, npr. 312_BIO_Guncar_Gregor.docx<br /> * 312_BIO_Priimek_ime_final.docx za končno verzijo seminarja<br /> * 312_BIO_Priimek_Ime_rec_Priimek2.docx za recenzijo, kjer je Priimek2 priimek recenzenta, npr. 312_BIO_Guncar_Gregor_rec_Scott.docx (če se pišete Scott in odajate recenzijo za seminar, ki ga je napisal Gunčar)<br /> * 312_BIO_Priimek_Ime.pptx za prezentacijo, npr 312_BIO_Guncar_Gregor.pptx<br /> * &lt;font color=green&gt;312_BIO_Priimek_ime_poprava.doc(x) za popravljeno končno verzijo seminarja, če so popravki manjši&lt;/font&gt;<br /> <br /> ==Ocenjevanje seminarjev==<br /> Recenzenti ocenijo seminar tako, da izpolnijo [https://docs.google.com/forms/d/1EQDYwFO-DEzZ2R7jf8DhLqIeV4FFxRd3-ScceEASpt4/viewform recenzentsko poročilo] na spletu. Recenzentsko poročilo morate oddati najkasneje do 21:00, en dan pred predstavitvijo seminarja.<br /> <br /> == Mnenje o predstavitvi ==<br /> Vsak posameznik odda svoje mnenje o predstavitvi takoj po predstavitvi z online glasovanjem.<br /> <br /> ==Urejanje spletnih strani na wikiju==<br /> Wiki so razvili zato, da lahko spletne vsebine ureja vsakdo. Ukazi so preprosti, dokler si ne zamislite česa prav posebnega. Vseeno pa je Word v primerjavi z wikijem pravo čudežno orodje&amp;nbsp;... Če imate težave z oblikovanjem besedila, si preberite poglavje o urejanju wiki-strani na Wikipediji ([http://en.wikipedia.org/wiki/Help:Editing tule] v angleščini in [http://sl.wikipedia.org/wiki/Wikipedija:Urejanje_strani tu] v slovenščini). Pomaga tudi, če pogledate, kako je zapisana kakšna stran, ki se vam zdi v redu: kliknite na zavihek 'Uredite stran' in si poglejte, kako so vpisane povezave, kako nov odstavek in podobno. ''Na koncu seveda pod oknom za urejanje kliknite na 'Prekliči'.''<br /> <br /> ==Citiranje virov==<br /> Citiranje je možno po več shemah, važno je, da se držite ene same. V seminarskih nalogah in diplomskih nalogah FKKT uprabljajte shemo citiranja, ki je pobarvana &lt;font color=green&gt;zeleno&lt;/font&gt;.<br /> Temeljno načelo je, da je treba vir navesti na tak način, da ga je mogoče nedvoumno poiskati.<br /> Za citate v naravoslovju je najpogostejše citiranje po pravilniku ISO 690. [http://www.zveza-zotks.si/gzm/dokumenti/literatura.html Pravila], ki upoštevajo omenjeni standard, so pripravili pri ZTKS. Sicer pa ima vsaka revija lahko svoj način citiranja, ki ga je treba pri pisanju članka upoštevati.&lt;br&gt;<br /> '''Citiranje knjig:'''&lt;br&gt;<br /> Priimek, I. ''Naslov''. Kraj: Založba, letnica.&lt;br&gt;<br /> Priimek, I. ''Naslov: podnaslov''. Izdaja. Kraj: Založba, letnica. Zbirka, številka. ISBN.&lt;br&gt;<br /> <br /> Boyer, R. ''Temelji biokemije''. Ljubljana: Študentska založba, 2005.&lt;br&gt;<br /> Glick BR in Pasternak JJ. ''Molecular biotechnology: principles and applications of recombinant DNA''. 3. izdaja. Washington: ASM Press, 2003. ISBN 1-55581-269-4.&lt;br&gt;<br /> Če so avtorji trije, je beseda in med drugim in tretjim avtorjem. Če so avtorji več kot trije, napišemo samo prvega in dopišemo ''et al''. (in drugi, po latinsko). Vse, kar je latinsko, pišemo poševno (npr. tudi imena rastlin in živali, pojme ''in vivo'', ''in vitro'' ipd.). <br /> <br /> '''Citiranje člankov:'''&lt;br&gt;<br /> Priimek, I. Naslov. ''Naslov revije'', letnica, letnik, številka, strani.&lt;br&gt;<br /> &lt;font color=green&gt;Lartigue, C., Glass, J. I., Alperovich, N., Pieper, R., Parmar, P. P., Hutchison III, C. A., Smith, H. O. in Venter, J. C.<br /> Genome transplantation in bacteria: changing one species to another. ''Science'', 2007, 317, str. 632-638.&lt;/font&gt;<br /> <br /> Alternativni način citiranja (predvsem v družboslovju) je po pravilih APA, kjer članke citirajo takole:&lt;br&gt;<br /> Priimek, I. (letnica, številka). Naslov. Naslov revije, strani.&lt;br&gt;<br /> Lartigue C. ''et al.'' (2007, 317) Genome transplantation in bacteria: changing one species to another. ''Science'', 632-638.<br /> <br /> Revija Science uporablja skrajšani zapis:&lt;br&gt;<br /> C. Lartigue ''et al''. Science 317, 632 (2007)&lt;br&gt;<br /> <br /> V diplomah na FKKT je treba navesti vire tako, da izpišete tudi naslov citiranega dela in strani od-do (ne samo začetne). Navesti morate tudi vse avtorje dela, razen v primeru, ko jih je 10 ali več. Takrat navedite le prvih devet, za ostale pa uporabite okrajšavo in sod. (in sodelavci). Pred zadnjim avtorjem naj bo vedno besedica &quot;in&quot;. <br /> <br /> <br /> '''Citiranje spletnih virov:'''&lt;br&gt;<br /> Priimek, I. ''Naslov dokumenta''. Izdaja. Kraj: Založnik, letnica. Datum zadnjega popravljanja. [Datum citiranja.] spletni naslov&lt;br&gt;<br /> strangeguitars. ''On the brink of artificial life''. 6. 10. 2007. [citirano 13. 11. 2007] http://www.metafilter.com/65331/On-the-brink-of-artificial-life&lt;br&gt;<br /> Navedemo čim več podatkov; pogosto vseh iz pravila ne boste našli.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=BIO2_Seminar_2022&diff=20995 2022-10-14T14:53:40Z

<p>Tinkarakorosec: /* Seznam seminarjev */</p> <hr /> <div>= Biokemijski seminar =<br /> doc. dr. Gregor Gunčar, K2.022<br /> <br /> == Seznam seminarjev ==<br /> {| class=&quot;wikitable&quot;<br /> ! ime in priimek !! poglavje !! naslov seminarja !! recenzent 1 !! recenzent 2 !! datum oddaje !! datum recenzije !! datum predstavitve<br /> |-<br /> ! Tonja Jeromelj<br /> | 12 || || Martin Kresal || Lena Kogoj || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Marcel Tušek<br /> | 12 || || Laura Trček || Naja Pečovnik Wutt || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Pia Kristanc<br /> | 12 || || Filip Petrovič || Matija Novel || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Samo Pucihar<br /> | 12 || || Patricija Kolander || Sofija Stevanović || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Luka Fink<br /> | 12 || || Tonja Jeromelj || Martin Kresal || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Tin Vranješ<br /> | 12 || || Marcel Tušek || Laura Trček || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Lucija Kovaček<br /> | 12 || || Pia Kristanc || Filip Petrovič || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Mark Varlamov<br /> | 12 || || Samo Pucihar || Patricija Kolander || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Klemen Justin<br /> | 14-15 || || Luka Fink || Tonja Jeromelj || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Teja Mohar<br /> | 14-15 || || Tin Vranješ || Marcel Tušek || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Tea Amidović<br /> | 14-15 || || Lucija Kovaček || Pia Kristanc || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Taja Pojbič<br /> | 14-15 || || Mark Varlamov || Samo Pucihar || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Deni Krašna<br /> | 16 || || Klemen Justin || Luka Fink || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Zara Bunc<br /> | 16 || || Teja Mohar || Tin Vranješ || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Urša Lah<br /> | 16 || || Tea Amidović || Lucija Kovaček || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Žiga Koren<br /> | 16 || || Taja Pojbič || Mark Varlamov || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Tim-David Agrež<br /> | 17 || || Deni Krašna || Klemen Justin || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Aleš Poljanšek<br /> | 17 || || Zara Bunc || Teja Mohar || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Tinkara Korošec<br /> | 17 || || Urša Lah || Tea Amidović || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Miha Tomšič<br /> | 17 || || Žiga Koren || Taja Pojbič || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Leila Bohorč<br /> | 18 || || Tim-David Agrež || Deni Krašna || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Teo Trost<br /> | 18 || || Aleš Poljanšek || Zara Bunc || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Ivana Stojić<br /> | 18 || || Tinkara Korošec || Urša Lah || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Lara Rajterič<br /> | 18 || || Miha Tomšič || Žiga Koren || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Primož Šenica Pavletič<br /> | 19 || || Leila Bohorč || Tim-David Agrež || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Špela Auer<br /> | 19 || || Teo Trost || Aleš Poljanšek || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Gal Kastelic<br /> | 19 || || Ivana Stojić || Tinkara Korošec || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Miljan Trajković<br /> | 19 || || Lara Rajterič || Miha Tomšič || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Taja Mužič<br /> | 20 || || Primož Šenica Pavletič || Leila Bohorč || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Mia Kobal<br /> | 20 || || Špela Auer || Teo Trost || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Laura Simonič<br /> | 20 || || Gal Kastelic || Ivana Stojić || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Karin Rak<br /> | 20 || || Miljan Trajković || Lara Rajterič || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Ula Mikoš<br /> | 21 || || Taja Mužič || Primož Šenica Pavletič || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Lara Zupanc<br /> | 21 || || Mia Kobal || Špela Auer || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Lena Kogoj<br /> | 21 || || Laura Simonič || Gal Kastelic || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Naja Pečovnik Wutt<br /> | 22 || || Karin Rak || Miljan Trajković || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Matija Novel<br /> | 22 || || Ula Mikoš || Taja Mužič || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Sofija Stevanović<br /> | 22 || || Lara Zupanc || Mia Kobal || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Martin Kresal<br /> | 23 || || Lena Kogoj || Laura Simonič || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Laura Trček<br /> | 23 || || Naja Pečovnik Wutt || Karin Rak || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Filip Petrovič<br /> | 23 || || Matija Novel || Ula Mikoš || 06/01/21 || 09/01/21 || 11/01/21<br /> |-<br /> ! Patricija Kolander<br /> | 23 || || Sofija Stevanović || Lara Zupanc || 06/01/21 || 09/01/21 || 11/01/21<br /> |}<br /> <br /> *številka v okencu za temo pomeni poglavje v Lehningerju, v katerega naj izbrana tema spada<br /> Razporeditev je začasna in se lahko še spremeni, načeloma pa se termini do vključno 18. poglavja ne bodo spreminjali. <br /> Prosim, da mi sporočite morebitne napake ali če vas nisem razporedil.<br /> <br /> == Gradivo za predavanja ==<br /> Gradivo za predavanja in seminarje najdete na http://bio.ijs.si/~zajec/bio2/<br /> username: bio2<br /> password: samozame<br /> <br /> ==Naloga==<br /> '''Vaša naloga za seminar je:&lt;br&gt;'''<br /> Samostojno pripraviti seminar o seminarski temi, ki vam je bila dodeljena. Za osnovo morate vzeti &lt;font color=red&gt; pregledni &lt;/font&gt; članek iz revije, ki ima faktor vpliva nad 5 (npr. [http://www.sciencedirect.com/science/journal/09680004/ TIBS]. Poiskati morate še vsaj tri znanstvene članke, ki se nanašajo na opisano temo, in jih uporabiti kot podlago za seminarsko nalogo! Članki so dostopni [https://libgen.is/ tukaj].<br /> <br /> Za pripravo seminarja velja naslednje:&lt;br&gt;<br /> * [[BIO2 Povzetki seminarjev 2021|Povzetek seminarja]] opišete na wikiju '''v 200 besedah''' (+- dvajset besed) - najkasneje do dne, ko morate oddati seminar recenzentom. Pvzetek je tudi del pisnega izdelka.<br /> * Povezavo do povzetka vnesete v tabelo seminarjev tekočega letnika.<br /> * Seminar pripravite v obliki seminarske naloge na ~5–12 straneh A4 (pisava 12, enojni razmak, 2,5 cm robovi). Obseg seminarja naj bo &lt;font color=red&gt;2700 do 3000 besed &lt;/font&gt;, a ne več kot 3500 besed. Seminarska naloga mora vsebovati najmanj tri slike, bolje več. &lt;font color=red&gt;Eno sliko morate narisati sami in to pod sliko posebej označiti. Slika mora imeti legendo in v besedilu mora biti na ustreznem mestu sklic na sliko. &lt;/font&gt;<br /> * Seminar oddajte do datuma oddaje, ki je naveden v tabeli, v elektronski obliki z uporabo [http://bio.ijs.si/~zajec/poslji/ tega obrazca].<br /> * Vsi seminarji so v elektronski obliki dostopni [http://bio.ijs.si/~zajec/poslji/bioseminar/ tukaj].<br /> * Recenzenti do dneva, določenega v tabeli, določijo popravke (v elektronski obliki) in podajo oceno pisnega dela. Popravljen seminar oddajte z uporabo [http://bio.ijs.si/~zajec/poslji/ tega obrazca].<br /> * Ustna predstavitev sledi na dan, ki je vpisan v tabeli. Za predstavitev je na voljo 15-18 minut. Recenzenti morajo biti na predstavitvi prisotni.<br /> * Predstavitvi sledi razprava. Recenzenti podajo oceno predstavitve in postavijo najmanj dve vprašanji. Vsi ostali morajo postaviti še dve dodatni vprašanji v okviru celega seminarskega obdobja. Vprašanja, ki ste jih postavili, vpišite na [https://docs.google.com/forms/d/e/1FAIpQLSdV9OFlNzI3XyS8FRGnuIbG89gwH_36uwz29ocigV--2CXSbQ/viewform tukaj].<br /> * Na dan predstavitve morate docentu še pred predstavitvijo oddati končno (popravljeno) in natisnjeno verzijo seminarja v enem izvodu, elektronsko verzijo seminarja in predstavitev pa oddati na strežnik na dan predstavitve do polnoči.<br /> * Seminarska naloga in povzetek morajo biti v slovenskem jeziku, razen za študente, katerih materni jezik ni slovenščina. Ti lahko oddajo seminar v angleškem jeziku.<br /> <br /> ==&lt;font color=green&gt;Imena datotek&lt;/font&gt;==<br /> Prosim vas, da vse datoteke, ki mi jih pošiljate, poimenujete po naslednjem receptu:<br /> * 312_BIO_Priimek_Ime.docx za seminar, npr. 312_BIO_Guncar_Gregor.docx<br /> * 312_BIO_Priimek_ime_final.docx za končno verzijo seminarja<br /> * 312_BIO_Priimek_Ime_rec_Priimek2.docx za recenzijo, kjer je Priimek2 priimek recenzenta, npr. 312_BIO_Guncar_Gregor_rec_Scott.docx (če se pišete Scott in odajate recenzijo za seminar, ki ga je napisal Gunčar)<br /> * 312_BIO_Priimek_Ime.pptx za prezentacijo, npr 312_BIO_Guncar_Gregor.pptx<br /> * &lt;font color=green&gt;312_BIO_Priimek_ime_poprava.doc(x) za popravljeno končno verzijo seminarja, če so popravki manjši&lt;/font&gt;<br /> <br /> ==Ocenjevanje seminarjev==<br /> Recenzenti ocenijo seminar tako, da izpolnijo [https://docs.google.com/forms/d/1EQDYwFO-DEzZ2R7jf8DhLqIeV4FFxRd3-ScceEASpt4/viewform recenzentsko poročilo] na spletu. Recenzentsko poročilo morate oddati najkasneje do 21:00, en dan pred predstavitvijo seminarja.<br /> <br /> == Mnenje o predstavitvi ==<br /> Vsak posameznik odda svoje mnenje o predstavitvi takoj po predstavitvi z online glasovanjem.<br /> <br /> ==Urejanje spletnih strani na wikiju==<br /> Wiki so razvili zato, da lahko spletne vsebine ureja vsakdo. Ukazi so preprosti, dokler si ne zamislite česa prav posebnega. Vseeno pa je Word v primerjavi z wikijem pravo čudežno orodje&amp;nbsp;... Če imate težave z oblikovanjem besedila, si preberite poglavje o urejanju wiki-strani na Wikipediji ([http://en.wikipedia.org/wiki/Help:Editing tule] v angleščini in [http://sl.wikipedia.org/wiki/Wikipedija:Urejanje_strani tu] v slovenščini). Pomaga tudi, če pogledate, kako je zapisana kakšna stran, ki se vam zdi v redu: kliknite na zavihek 'Uredite stran' in si poglejte, kako so vpisane povezave, kako nov odstavek in podobno. ''Na koncu seveda pod oknom za urejanje kliknite na 'Prekliči'.''<br /> <br /> ==Citiranje virov==<br /> Citiranje je možno po več shemah, važno je, da se držite ene same. V seminarskih nalogah in diplomskih nalogah FKKT uprabljajte shemo citiranja, ki je pobarvana &lt;font color=green&gt;zeleno&lt;/font&gt;.<br /> Temeljno načelo je, da je treba vir navesti na tak način, da ga je mogoče nedvoumno poiskati.<br /> Za citate v naravoslovju je najpogostejše citiranje po pravilniku ISO 690. [http://www.zveza-zotks.si/gzm/dokumenti/literatura.html Pravila], ki upoštevajo omenjeni standard, so pripravili pri ZTKS. Sicer pa ima vsaka revija lahko svoj način citiranja, ki ga je treba pri pisanju članka upoštevati.&lt;br&gt;<br /> '''Citiranje knjig:'''&lt;br&gt;<br /> Priimek, I. ''Naslov''. Kraj: Založba, letnica.&lt;br&gt;<br /> Priimek, I. ''Naslov: podnaslov''. Izdaja. Kraj: Založba, letnica. Zbirka, številka. ISBN.&lt;br&gt;<br /> <br /> Boyer, R. ''Temelji biokemije''. Ljubljana: Študentska založba, 2005.&lt;br&gt;<br /> Glick BR in Pasternak JJ. ''Molecular biotechnology: principles and applications of recombinant DNA''. 3. izdaja. Washington: ASM Press, 2003. ISBN 1-55581-269-4.&lt;br&gt;<br /> Če so avtorji trije, je beseda in med drugim in tretjim avtorjem. Če so avtorji več kot trije, napišemo samo prvega in dopišemo ''et al''. (in drugi, po latinsko). Vse, kar je latinsko, pišemo poševno (npr. tudi imena rastlin in živali, pojme ''in vivo'', ''in vitro'' ipd.). <br /> <br /> '''Citiranje člankov:'''&lt;br&gt;<br /> Priimek, I. Naslov. ''Naslov revije'', letnica, letnik, številka, strani.&lt;br&gt;<br /> &lt;font color=green&gt;Lartigue, C., Glass, J. I., Alperovich, N., Pieper, R., Parmar, P. P., Hutchison III, C. A., Smith, H. O. in Venter, J. C.<br /> Genome transplantation in bacteria: changing one species to another. ''Science'', 2007, 317, str. 632-638.&lt;/font&gt;<br /> <br /> Alternativni način citiranja (predvsem v družboslovju) je po pravilih APA, kjer članke citirajo takole:&lt;br&gt;<br /> Priimek, I. (letnica, številka). Naslov. Naslov revije, strani.&lt;br&gt;<br /> Lartigue C. ''et al.'' (2007, 317) Genome transplantation in bacteria: changing one species to another. ''Science'', 632-638.<br /> <br /> Revija Science uporablja skrajšani zapis:&lt;br&gt;<br /> C. Lartigue ''et al''. Science 317, 632 (2007)&lt;br&gt;<br /> <br /> V diplomah na FKKT je treba navesti vire tako, da izpišete tudi naslov citiranega dela in strani od-do (ne samo začetne). Navesti morate tudi vse avtorje dela, razen v primeru, ko jih je 10 ali več. Takrat navedite le prvih devet, za ostale pa uporabite okrajšavo in sod. (in sodelavci). Pred zadnjim avtorjem naj bo vedno besedica &quot;in&quot;. <br /> <br /> <br /> '''Citiranje spletnih virov:'''&lt;br&gt;<br /> Priimek, I. ''Naslov dokumenta''. Izdaja. Kraj: Založnik, letnica. Datum zadnjega popravljanja. [Datum citiranja.] spletni naslov&lt;br&gt;<br /> strangeguitars. ''On the brink of artificial life''. 6. 10. 2007. [citirano 13. 11. 2007] http://www.metafilter.com/65331/On-the-brink-of-artificial-life&lt;br&gt;<br /> Navedemo čim več podatkov; pogosto vseh iz pravila ne boste našli.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=BIO2_Seminar_2022&diff=20994 2022-10-14T14:52:20Z

<p>Tinkarakorosec: /* Seznam seminarjev */</p> <hr /> <div>= Biokemijski seminar =<br /> doc. dr. Gregor Gunčar, K2.022<br /> <br /> == Seznam seminarjev ==<br /> {| class=&quot;wikitable&quot;<br /> ! ime in priimek !! poglavje !! naslov seminarja !! recenzent 1 !! recenzent 2 !! datum oddaje !! datum recenzije !! datum predstavitve<br /> |-<br /> ! Tinkara Korošec<br /> | 12 || || Martin Kresal || Lena Kogoj || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Marcel Tušek<br /> | 12 || || Laura Trček || Naja Pečovnik Wutt || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Pia Kristanc<br /> | 12 || || Filip Petrovič || Matija Novel || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Samo Pucihar<br /> | 12 || || Patricija Kolander || Sofija Stevanović || 24/10/20 || 25/10/20 || 26/10/20<br /> |-<br /> ! Luka Fink<br /> | 12 || || Tonja Jeromelj || Martin Kresal || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Tin Vranješ<br /> | 12 || || Marcel Tušek || Laura Trček || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Lucija Kovaček<br /> | 12 || || Pia Kristanc || Filip Petrovič || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Mark Varlamov<br /> | 12 || || Samo Pucihar || Patricija Kolander || 28/10/20 || 31/10/20 || 02/11/20<br /> |-<br /> ! Klemen Justin<br /> | 14-15 || || Luka Fink || Tonja Jeromelj || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Teja Mohar<br /> | 14-15 || || Tin Vranješ || Marcel Tušek || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Tea Amidović<br /> | 14-15 || || Lucija Kovaček || Pia Kristanc || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Taja Pojbič<br /> | 14-15 || || Mark Varlamov || Samo Pucihar || 04/11/20 || 07/11/20 || 09/11/20<br /> |-<br /> ! Deni Krašna<br /> | 16 || || Klemen Justin || Luka Fink || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Zara Bunc<br /> | 16 || || Teja Mohar || Tin Vranješ || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Urša Lah<br /> | 16 || || Tea Amidović || Lucija Kovaček || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Žiga Koren<br /> | 16 || || Taja Pojbič || Mark Varlamov || 11/11/20 || 14/11/20 || 16/11/20<br /> |-<br /> ! Tim-David Agrež<br /> | 17 || || Deni Krašna || Klemen Justin || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Aleš Poljanšek<br /> | 17 || || Zara Bunc || Teja Mohar || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Tonja Jeromelj<br /> | 17 || || Urša Lah || Tea Amidović || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Miha Tomšič<br /> | 17 || || Žiga Koren || Taja Pojbič || 18/11/20 || 21/11/20 || 23/11/20<br /> |-<br /> ! Leila Bohorč<br /> | 18 || || Tim-David Agrež || Deni Krašna || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Teo Trost<br /> | 18 || || Aleš Poljanšek || Zara Bunc || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Ivana Stojić<br /> | 18 || || Tinkara Korošec || Urša Lah || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Lara Rajterič<br /> | 18 || || Miha Tomšič || Žiga Koren || 25/11/20 || 28/11/20 || 30/11/20<br /> |-<br /> ! Primož Šenica Pavletič<br /> | 19 || || Leila Bohorč || Tim-David Agrež || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Špela Auer<br /> | 19 || || Teo Trost || Aleš Poljanšek || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Gal Kastelic<br /> | 19 || || Ivana Stojić || Tinkara Korošec || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Miljan Trajković<br /> | 19 || || Lara Rajterič || Miha Tomšič || 02/12/20 || 05/12/20 || 07/12/20<br /> |-<br /> ! Taja Mužič<br /> | 20 || || Primož Šenica Pavletič || Leila Bohorč || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Mia Kobal<br /> | 20 || || Špela Auer || Teo Trost || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Laura Simonič<br /> | 20 || || Gal Kastelic || Ivana Stojić || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Karin Rak<br /> | 20 || || Miljan Trajković || Lara Rajterič || 09/12/20 || 12/12/20 || 14/12/20<br /> |-<br /> ! Ula Mikoš<br /> | 21 || || Taja Mužič || Primož Šenica Pavletič || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Lara Zupanc<br /> | 21 || || Mia Kobal || Špela Auer || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Lena Kogoj<br /> | 21 || || Laura Simonič || Gal Kastelic || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Naja Pečovnik Wutt<br /> | 22 || || Karin Rak || Miljan Trajković || 16/12/20 || 19/12/20 || 21/12/20<br /> |-<br /> ! Matija Novel<br /> | 22 || || Ula Mikoš || Taja Mužič || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Sofija Stevanović<br /> | 22 || || Lara Zupanc || Mia Kobal || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Martin Kresal<br /> | 23 || || Lena Kogoj || Laura Simonič || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Laura Trček<br /> | 23 || || Naja Pečovnik Wutt || Karin Rak || 30/12/20 || 02/01/21 || 04/01/21<br /> |-<br /> ! Filip Petrovič<br /> | 23 || || Matija Novel || Ula Mikoš || 06/01/21 || 09/01/21 || 11/01/21<br /> |-<br /> ! Patricija Kolander<br /> | 23 || || Sofija Stevanović || Lara Zupanc || 06/01/21 || 09/01/21 || 11/01/21<br /> |}<br /> <br /> *številka v okencu za temo pomeni poglavje v Lehningerju, v katerega naj izbrana tema spada<br /> Razporeditev je začasna in se lahko še spremeni, načeloma pa se termini do vključno 18. poglavja ne bodo spreminjali. <br /> Prosim, da mi sporočite morebitne napake ali če vas nisem razporedil.<br /> <br /> == Gradivo za predavanja ==<br /> Gradivo za predavanja in seminarje najdete na http://bio.ijs.si/~zajec/bio2/<br /> username: bio2<br /> password: samozame<br /> <br /> ==Naloga==<br /> '''Vaša naloga za seminar je:&lt;br&gt;'''<br /> Samostojno pripraviti seminar o seminarski temi, ki vam je bila dodeljena. Za osnovo morate vzeti &lt;font color=red&gt; pregledni &lt;/font&gt; članek iz revije, ki ima faktor vpliva nad 5 (npr. [http://www.sciencedirect.com/science/journal/09680004/ TIBS]. Poiskati morate še vsaj tri znanstvene članke, ki se nanašajo na opisano temo, in jih uporabiti kot podlago za seminarsko nalogo! Članki so dostopni [https://libgen.is/ tukaj].<br /> <br /> Za pripravo seminarja velja naslednje:&lt;br&gt;<br /> * [[BIO2 Povzetki seminarjev 2021|Povzetek seminarja]] opišete na wikiju '''v 200 besedah''' (+- dvajset besed) - najkasneje do dne, ko morate oddati seminar recenzentom. Pvzetek je tudi del pisnega izdelka.<br /> * Povezavo do povzetka vnesete v tabelo seminarjev tekočega letnika.<br /> * Seminar pripravite v obliki seminarske naloge na ~5–12 straneh A4 (pisava 12, enojni razmak, 2,5 cm robovi). Obseg seminarja naj bo &lt;font color=red&gt;2700 do 3000 besed &lt;/font&gt;, a ne več kot 3500 besed. Seminarska naloga mora vsebovati najmanj tri slike, bolje več. &lt;font color=red&gt;Eno sliko morate narisati sami in to pod sliko posebej označiti. Slika mora imeti legendo in v besedilu mora biti na ustreznem mestu sklic na sliko. &lt;/font&gt;<br /> * Seminar oddajte do datuma oddaje, ki je naveden v tabeli, v elektronski obliki z uporabo [http://bio.ijs.si/~zajec/poslji/ tega obrazca].<br /> * Vsi seminarji so v elektronski obliki dostopni [http://bio.ijs.si/~zajec/poslji/bioseminar/ tukaj].<br /> * Recenzenti do dneva, določenega v tabeli, določijo popravke (v elektronski obliki) in podajo oceno pisnega dela. Popravljen seminar oddajte z uporabo [http://bio.ijs.si/~zajec/poslji/ tega obrazca].<br /> * Ustna predstavitev sledi na dan, ki je vpisan v tabeli. Za predstavitev je na voljo 15-18 minut. Recenzenti morajo biti na predstavitvi prisotni.<br /> * Predstavitvi sledi razprava. Recenzenti podajo oceno predstavitve in postavijo najmanj dve vprašanji. Vsi ostali morajo postaviti še dve dodatni vprašanji v okviru celega seminarskega obdobja. Vprašanja, ki ste jih postavili, vpišite na [https://docs.google.com/forms/d/e/1FAIpQLSdV9OFlNzI3XyS8FRGnuIbG89gwH_36uwz29ocigV--2CXSbQ/viewform tukaj].<br /> * Na dan predstavitve morate docentu še pred predstavitvijo oddati končno (popravljeno) in natisnjeno verzijo seminarja v enem izvodu, elektronsko verzijo seminarja in predstavitev pa oddati na strežnik na dan predstavitve do polnoči.<br /> * Seminarska naloga in povzetek morajo biti v slovenskem jeziku, razen za študente, katerih materni jezik ni slovenščina. Ti lahko oddajo seminar v angleškem jeziku.<br /> <br /> ==&lt;font color=green&gt;Imena datotek&lt;/font&gt;==<br /> Prosim vas, da vse datoteke, ki mi jih pošiljate, poimenujete po naslednjem receptu:<br /> * 312_BIO_Priimek_Ime.docx za seminar, npr. 312_BIO_Guncar_Gregor.docx<br /> * 312_BIO_Priimek_ime_final.docx za končno verzijo seminarja<br /> * 312_BIO_Priimek_Ime_rec_Priimek2.docx za recenzijo, kjer je Priimek2 priimek recenzenta, npr. 312_BIO_Guncar_Gregor_rec_Scott.docx (če se pišete Scott in odajate recenzijo za seminar, ki ga je napisal Gunčar)<br /> * 312_BIO_Priimek_Ime.pptx za prezentacijo, npr 312_BIO_Guncar_Gregor.pptx<br /> * &lt;font color=green&gt;312_BIO_Priimek_ime_poprava.doc(x) za popravljeno končno verzijo seminarja, če so popravki manjši&lt;/font&gt;<br /> <br /> ==Ocenjevanje seminarjev==<br /> Recenzenti ocenijo seminar tako, da izpolnijo [https://docs.google.com/forms/d/1EQDYwFO-DEzZ2R7jf8DhLqIeV4FFxRd3-ScceEASpt4/viewform recenzentsko poročilo] na spletu. Recenzentsko poročilo morate oddati najkasneje do 21:00, en dan pred predstavitvijo seminarja.<br /> <br /> == Mnenje o predstavitvi ==<br /> Vsak posameznik odda svoje mnenje o predstavitvi takoj po predstavitvi z online glasovanjem.<br /> <br /> ==Urejanje spletnih strani na wikiju==<br /> Wiki so razvili zato, da lahko spletne vsebine ureja vsakdo. Ukazi so preprosti, dokler si ne zamislite česa prav posebnega. Vseeno pa je Word v primerjavi z wikijem pravo čudežno orodje&amp;nbsp;... Če imate težave z oblikovanjem besedila, si preberite poglavje o urejanju wiki-strani na Wikipediji ([http://en.wikipedia.org/wiki/Help:Editing tule] v angleščini in [http://sl.wikipedia.org/wiki/Wikipedija:Urejanje_strani tu] v slovenščini). Pomaga tudi, če pogledate, kako je zapisana kakšna stran, ki se vam zdi v redu: kliknite na zavihek 'Uredite stran' in si poglejte, kako so vpisane povezave, kako nov odstavek in podobno. ''Na koncu seveda pod oknom za urejanje kliknite na 'Prekliči'.''<br /> <br /> ==Citiranje virov==<br /> Citiranje je možno po več shemah, važno je, da se držite ene same. V seminarskih nalogah in diplomskih nalogah FKKT uprabljajte shemo citiranja, ki je pobarvana &lt;font color=green&gt;zeleno&lt;/font&gt;.<br /> Temeljno načelo je, da je treba vir navesti na tak način, da ga je mogoče nedvoumno poiskati.<br /> Za citate v naravoslovju je najpogostejše citiranje po pravilniku ISO 690. [http://www.zveza-zotks.si/gzm/dokumenti/literatura.html Pravila], ki upoštevajo omenjeni standard, so pripravili pri ZTKS. Sicer pa ima vsaka revija lahko svoj način citiranja, ki ga je treba pri pisanju članka upoštevati.&lt;br&gt;<br /> '''Citiranje knjig:'''&lt;br&gt;<br /> Priimek, I. ''Naslov''. Kraj: Založba, letnica.&lt;br&gt;<br /> Priimek, I. ''Naslov: podnaslov''. Izdaja. Kraj: Založba, letnica. Zbirka, številka. ISBN.&lt;br&gt;<br /> <br /> Boyer, R. ''Temelji biokemije''. Ljubljana: Študentska založba, 2005.&lt;br&gt;<br /> Glick BR in Pasternak JJ. ''Molecular biotechnology: principles and applications of recombinant DNA''. 3. izdaja. Washington: ASM Press, 2003. ISBN 1-55581-269-4.&lt;br&gt;<br /> Če so avtorji trije, je beseda in med drugim in tretjim avtorjem. Če so avtorji več kot trije, napišemo samo prvega in dopišemo ''et al''. (in drugi, po latinsko). Vse, kar je latinsko, pišemo poševno (npr. tudi imena rastlin in živali, pojme ''in vivo'', ''in vitro'' ipd.). <br /> <br /> '''Citiranje člankov:'''&lt;br&gt;<br /> Priimek, I. Naslov. ''Naslov revije'', letnica, letnik, številka, strani.&lt;br&gt;<br /> &lt;font color=green&gt;Lartigue, C., Glass, J. I., Alperovich, N., Pieper, R., Parmar, P. P., Hutchison III, C. A., Smith, H. O. in Venter, J. C.<br /> Genome transplantation in bacteria: changing one species to another. ''Science'', 2007, 317, str. 632-638.&lt;/font&gt;<br /> <br /> Alternativni način citiranja (predvsem v družboslovju) je po pravilih APA, kjer članke citirajo takole:&lt;br&gt;<br /> Priimek, I. (letnica, številka). Naslov. Naslov revije, strani.&lt;br&gt;<br /> Lartigue C. ''et al.'' (2007, 317) Genome transplantation in bacteria: changing one species to another. ''Science'', 632-638.<br /> <br /> Revija Science uporablja skrajšani zapis:&lt;br&gt;<br /> C. Lartigue ''et al''. Science 317, 632 (2007)&lt;br&gt;<br /> <br /> V diplomah na FKKT je treba navesti vire tako, da izpišete tudi naslov citiranega dela in strani od-do (ne samo začetne). Navesti morate tudi vse avtorje dela, razen v primeru, ko jih je 10 ali več. Takrat navedite le prvih devet, za ostale pa uporabite okrajšavo in sod. (in sodelavci). Pred zadnjim avtorjem naj bo vedno besedica &quot;in&quot;. <br /> <br /> <br /> '''Citiranje spletnih virov:'''&lt;br&gt;<br /> Priimek, I. ''Naslov dokumenta''. Izdaja. Kraj: Založnik, letnica. Datum zadnjega popravljanja. [Datum citiranja.] spletni naslov&lt;br&gt;<br /> strangeguitars. ''On the brink of artificial life''. 6. 10. 2007. [citirano 13. 11. 2007] http://www.metafilter.com/65331/On-the-brink-of-artificial-life&lt;br&gt;<br /> Navedemo čim več podatkov; pogosto vseh iz pravila ne boste našli.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Temelji_biokemije_2023_-_seminar&diff=19748 2022-03-08T11:05:23Z

<p>Tinkarakorosec: /* Seznam seminarjev */</p> <hr /> <div>Seminarje vodi doc. dr. Miha Pavšič. Seminarji so obvezni.<br /> <br /> Ocena seminarjev (6-10) predstavlja enako število odstotkov, ki se prišteje h končni pisni oceni izpita. <br /> Stran na strežniku s seminarskimi nalogami je zaščitena.<br /> Uporabniško ime je: tbk, password pa: samozame## &quot;##&quot; sta dve številki, ki ju izveste na predavanjih.<br /> Tudi za urejanje Wiki strani potrebujete geslo, ki se od zgornjega razlikuje. Postopek pridobitve Wiki uporabniškega imena in gesla je opisan [http://wiki.fkkt.uni-lj.si/index.php/Main_Page tukaj].<br /> <br /> == Seznam seminarjev ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> ! Priimek in ime !! Naslov seminarja !! Povezava !! Rok za oddajo !! Rok za recenzijo !! Datum predstavitve !! Recenzent 1 !! Recenzent 2 !! Recenzent 3<br /> |-<br /> | Fink, Luka || Protitumorsko zdravilo spodbuja hujšanje pri miših || https://www.sciencedaily.com/releases/2022/02/220224140853.htm || 04.03. || 07.03. || 10.03. || Bunc, Zara || Pečovnik Wutt, Naja || Malik, Lara<br /> |-<br /> | Kogoj, Lena || Umetno narejene proteinske mišice zdaj realnost || https://www.sciencedaily.com/releases/2022/01/220128141254.htm || 04.03. || 07.03. || 10.03. || Pucihar, Samo || Pojbič, Taja || Novel, Matija<br /> |-<br /> | Korošec, Tinkara || Superbakterije in novi pristopi k razumevanju vzroka rezistence || https://www.sciencedaily.com/releases/2022/02/220217181730.htm <br /> || 04.03. || 07.03. || 10.03. || Kovaček, Lucija || Trček, Laura || Petrovič, Filip<br /> |-<br /> | Krašna, Deni || Odkrit ključ za nadzor celične smrti || https://www.sciencedaily.com/releases/2022/02/220218100724.htm || 04.03. || 07.03. || 10.03. || Stojić, Ivana || Bernik, Miha || Kolenc, Klara<br /> |-<br /> | Mezek, Tajda || Multipla skleroza verjetno posledica okužbe z Epstein-Barr virusom || https://www.sciencedaily.com/releases/2022/01/220113151342.htm || 04.03. || 07.03. || 10.03. || Trajković, Miljan || Jeromelj, Tonja || Koren, Žiga<br /> |-<br /> | Auer, Špela || Vpliv proteina na vnetja || https://www.sciencedaily.com/releases/2022/01/220125124029.htm || 11.03. || 14.03. || 17.03. || Žerovnik, Klara || Poljanšek, Aleš || Matek, Nik<br /> |-<br /> | Mikoš, Ula || Unikaten tubulin, ki se v naeglerii igra skrivalnice || https://www.sciencedaily.com/releases/2022/02/220225085843.htm || 11.03. || 14.03. || 17.03. || Zupanc, Lara || Vogrič, Vanja || Trost, Teo<br /> |-<br /> | Mužič, Taja || Smrtonosna kombinacija, ki neposredno sproži celično smrt || https://www.sciencedaily.com/releases/2022/01/220113111451.htm || 11.03. || 14.03. || 17.03. || Petrov, Mario || Vranješ, Tin || Varlamov, Mark<br /> |-<br /> | Rajterič, Lara || Z novim sistemom do hitrejšega nadzora nad nanodelci za dostavo zdravil || https://www.sciencedaily.com/releases/2022/02/220210114055.htm || 11.03. || 14.03. || 17.03. || Trobiš, Veronika || Agrež, Tim-David || Justin, Klemen<br /> |-<br /> | Simonič, Laura || Yin in Yang mitohondrijske arhitekture || https://www.sciencedaily.com/releases/2022/02/220210154147.htm || 11.03. || 14.03. || 17.03. || Velkovska, Tamara || Bunc, Zara || Kresal, Martin<br /> |-<br /> | Kristanc, Pia || || https://www.sciencedaily.com/releases/2022/02/220218080243.htm || 18.03. || 21.03. || 24.03. || Fink, Luka || Pucihar, Samo || Pečovnik Wutt, Naja<br /> |-<br /> | Lah, Urša || ||https://www.sciencedaily.com/releases/2022/02/220223111242.htm || 18.03. || 21.03. || 24.03. || Kogoj, Lena || Kovaček, Lucija || Pojbič, Taja<br /> |-<br /> | Mohar, Teja || || || 18.03. || 21.03. || 24.03. || Korošec, Tinkara || Stojić, Ivana || Trček, Laura<br /> |-<br /> | Tušek, Marcel || || || 18.03. || 21.03. || 24.03. || Krašna, Deni || Trajković, Miljan || Bernik, Miha<br /> |-<br /> | Brajer, Mirta || || https://www.sciencedaily.com/releases/2022/02/220224112615.htm || 25.03. || 28.03. || 31.03. || Mezek, Tajda || Žerovnik, Klara || Jeromelj, Tonja<br /> |-<br /> | Kastelic, Gal || Podaljševanje življenjske dobe proteinov || https://www.sciencedaily.com/releases/2022/02/220210114041.htm || 25.03. || 28.03. || 31.03. || Auer, Špela || Zupanc, Lara || Poljanšek, Aleš<br /> |-<br /> | Malik, Lara || || || 25.03. || 28.03. || 31.03. || Mikoš, Ula || Petrov, Mario || Vogrič, Vanja<br /> |-<br /> | Novel, Matija || || https://www.sciencedaily.com/releases/2022/02/220211102033.htm || 25.03. || 28.03. || 31.03. || Mužič, Taja || Trobiš, Veronika || Vranješ, Tin<br /> |-<br /> | Petrovič, Filip || || https://www.sciencedaily.com/releases/2022/01/220105103131.htm || 25.03. || 28.03. || 31.03. || Rajterič, Lara || Velkovska, Tamara || Agrež, Tim-David<br /> |-<br /> | Kolenc, Klara ||Odkrili kako virusi povzročijo avtoimune bolezni ||https://www.sciencedaily.com/releases/2022/02/220228103805.htm || 01.04. || 04.04. || 07.04. || Simonič, Laura || Fink, Luka || Bunc, Zara<br /> |-<br /> | Koren, Žiga || || || 01.04. || 04.04. || 07.04. || Kristanc, Pia || Kogoj, Lena || Pucihar, Samo<br /> |-<br /> | Matek, Nik || || || 01.04. || 04.04. || 07.04. || Lah, Urša || Korošec, Tinkara || Kovaček, Lucija<br /> |-<br /> | Trost, Teo || || || 01.04. || 04.04. || 07.04. || Mohar, Teja || Krašna, Deni || Stojić, Ivana<br /> |-<br /> | Varlamov, Mark || Razmnoževanje virusa ošpic || https://www.sciencedaily.com/releases/2021/09/210923115553.htm || 01.04. || 04.04. || 07.04. || Tušek, Marcel || Mezek, Tajda || Trajković, Miljan<br /> |-<br /> | Justin, Klemen || Protein SARS-CoV-2 krivec za okužbe, a tudi pot do rešitve || https://www.sciencedaily.com/releases/2022/02/220216121828.htm || 08.04. || 11.04. || 14.04. || Brajer, Mirta || Auer, Špela || Žerovnik, Klara<br /> |-<br /> | Kresal, Martin || || || 08.04. || 11.04. || 14.04. || Kastelic, Gal || Mikoš, Ula || Zupanc, Lara<br /> |-<br /> | Pečovnik Wutt, Naja || || || 08.04. || 11.04. || 14.04. || Malik, Lara || Mužič, Taja || Petrov, Mario<br /> |-<br /> | Pojbič, Taja || || || 08.04. || 11.04. || 14.04. || Novel, Matija || Rajterič, Lara || Trobiš, Veronika<br /> |-<br /> | Trček, Laura || || || 08.04. || 11.04. || 14.04. || Petrovič, Filip || Simonič, Laura || Velkovska, Tamara<br /> |-<br /> | Bernik, Miha || || || 15.04. || 18.04. || 21.04. || Kolenc, Klara || Kristanc, Pia || Fink, Luka<br /> |-<br /> | Jeromelj, Tonja || || || 15.04. || 18.04. || 21.04. || Koren, Žiga || Lah, Urša || Kogoj, Lena<br /> |-<br /> | Poljanšek, Aleš || Nov koncept za boj proti odpornosti bakterij na antibiotike || https://www.sciencedaily.com/releases/2022/02/220222135331.htm || 15.04. || 18.04. || 21.04. || Matek, Nik || Mohar, Teja || Korošec, Tinkara<br /> |-<br /> | Vogrič, Vanja || || || 15.04. || 18.04. || 21.04. || Trost, Teo || Tušek, Marcel || Krašna, Deni<br /> |-<br /> | Vranješ, Tin || || || 15.04. || 18.04. || 21.04. || Varlamov, Mark || Brajer, Mirta || Mezek, Tajda<br /> |-<br /> | Agrež, Tim-David || || || 22.04. || 25.04. || 28.04. || Justin, Klemen || Kastelic, Gal || Auer, Špela<br /> |-<br /> | Bunc, Zara || || || 22.04. || 25.04. || 28.04. || Kresal, Martin || Malik, Lara || Mikoš, Ula<br /> |-<br /> | Pucihar, Samo || || || 22.04. || 25.04. || 28.04. || Pečovnik Wutt, Naja || Novel, Matija || Mužič, Taja<br /> |-<br /> | Dehondt, Johan || || || 22.04. || 25.04. || 28.04. || || || <br /> |-<br /> | Vitard, Arthur || || || 22.04. || 25.04. || 28.04. || || || <br /> |-<br /> | Kovaček, Lucija || || || 29.04. || 02.05. || 05.05. || Pojbič, Taja || Petrovič, Filip || Rajterič, Lara<br /> |-<br /> | Stojić, Ivana ||Biološke nevrone kmalu nadomestili umetni ||https://www.sciencedaily.com/releases/2022/02/220222121302.htm || 29.04. || 02.05. || 05.05. || Trček, Laura || Kolenc, Klara || Simonič, Laura<br /> |-<br /> | Trajković, Miljan || || || 29.04. || 02.05. || 05.05. || Bernik, Miha || Koren, Žiga || Kristanc, Pia<br /> |-<br /> | Žerovnik, Klara || || || 29.04. || 02.05. || 05.05. || Jeromelj, Tonja || Matek, Nik || Lah, Urša<br /> |-<br /> | Zupanc, Lara || || https://www.sciencedaily.com/releases/2022/02/220228190958.htm || 29.04. || 02.05. || 05.05. || Poljanšek, Aleš || Trost, Teo || Mohar, Teja<br /> |-<br /> | Petrov, Mario || || || 06.05. || 09.05. || 12.05. || Vogrič, Vanja || Varlamov, Mark || Tušek, Marcel<br /> |-<br /> | Trobiš, Veronika || || || 06.05. || 09.05. || 12.05. || Vranješ, Tin || Justin, Klemen || Brajer, Mirta<br /> |-<br /> | Velkovska, Tamara || || || 06.05. || 09.05. || 12.05. || Agrež, Tim-David || Kresal, Martin || Kastelic, Gal<br /> |}<br /> <br /> ==Naloga==<br /> * Samostojno pripraviti seminar, katerega tema je novica iz področja biokemije na portalu [http://www.sciencedaily.com ScienceDaily], ki je bila objavljena kasneje kot '''1. avgusta 2021'''. Osnova za seminar naj bo znanstveni članek, ki je podlaga za to novico. Poleg tega članka za seminar uporabite še najmanj pet drugih virov, od teh vsaj še dva druga znanstvena članka, ki se navezujeta na to vsebino. <br /> * Članke na temo lahko iščete [https://scholar.google.com/ z Google učenjakom].<br /> * Naslov izbrane teme (naslov seminarja v slovenščini) in povezavo do novice vpišite v tabelo seminarjev takoj ko ste si izbrali temo, najkasneje pa en teden pred rokom za oddajo .<br /> * [[TBK2021 Povzetki seminarjev|Povzetek seminarja]] opišete na wikiju v približno 200 besedah – najkasneje do dne, ko morate oddati seminar recenzentom. <br /> * Povezavo do povzetka vnesete v tabelo seminarjev tekočega letnika.<br /> * Seminar pripravite v obliki seminarske naloge (pisava Cambria, font 11, enojni razmak, 2,5 cm robovi; tekst naj obsega okoli 1000 besed), vsebuje naj 1–2 sliki. Slika mora imeti legendo in v besedilu mora biti na ustreznem mestu sklic na sliko. Vse uporabljene vire citirajte v tekstu, kot npr. (Nobel, 2010), na koncu pa navedite točen seznam literature, kot je opisano spodaj!<br /> * Celotni seminar naj obsega 2 strani A4 formata (po možnosti dvostransko tiskanje).<br /> * Seminar oddajte do datuma oddaje, ki je naveden v tabeli v elektronski obliki z uporabo [http://bio.ijs.si/~zajec/tbk/poslji/ tega obrazca].<br /> * Vsi seminarji so v elektronski obliki dostopni [http://bio.ijs.si/~zajec/tbk/poslji/bioseminar/ tukaj].<br /> * Recenzenti do dneva določenega v tabeli določijo popravke in podajo oceno pisnega dela, v predpisanem formatu elektronskega obrazca na internetu. Povezava je objavljena v [spletni učilnici https://ucilnica.fkkt.uni-lj.si/].<br /> * Ustna predstavitev sledi na dan, ki je vpisan v tabeli. Za predstavitev je na voljo 10 minut. Recenzenti morajo biti na predstavitvi prisotni. Prvi recenzent vodi predstavitve in razpravo ter skrbi za to, da vse poteka v zastavljenih časovnih okvirih.<br /> * Predstavitvi sledi razprava do 5 minut. Sledijo vprašanja prisotnih, recenzenti postavijo vsak vsaj dve vprašanji in na koncu podajo oceno predstavitve, tako kot ostali kolegi.<br /> * En dan pred predstavitvijo na strežnik oddajte tudi končno verzijo. Na dan predstavitve morate oddati tudi končno (popravljeno) in natisnjeno verzijo seminarja v enem izvodu.<br /> * Seminarska naloga in povzetek na wikiju morajo biti v slovenskem jeziku!<br /> <br /> '''Torej, povzeto''':<br /> <br /> 1. Seminarsko nalogo avtor do določenega datuma odda [http://bio.ijs.si/~zajec/tbk/poslji/ tukaj], istočasno pa se povzetek v odda [http://wiki.fkkt.uni-lj.si/index.php/TBK2021_Povzetki_seminarjev tukaj].<br /> <br /> 2. Do določenega datuma recenzenti pregledajo nalogo in oddajo datoteko z morebitnimi komentarji/popravki [http://bio.ijs.si/~zajec/tbk/poslji/ tukaj], istočasno pa oddajo svojo ''recenzentsko'' oceno preko povezave v [https://ucilnica.fkkt.uni-lj.si/ spletni učilnici].<br /> <br /> 3. Avtor pripravi končno obliko seminarske naloge in jo odda [http://bio.ijs.si/~zajec/tbk/poslji/ tukaj] vsaj 1 dan pred predstavitvijo.<br /> <br /> 4. Po predstavitvi ''vsi'' (tako recenzenti kot ostali kolegi) oddate oceno predstavitve preko povezave v [https://ucilnica.fkkt.uni-lj.si/ spletni učilnici].<br /> <br /> Ne pozabite na pravila pri poimenovanju datotek.<br /> <br /> ==&lt;font color=green&gt;Imena datotek&lt;/font&gt;==<br /> Prosim vas, da vse datoteke, ki jih pošiljate, poimenujete po spodnjih pravilih. Ne uporabljajte ČŽŠčžš!<br /> Poslati morate naslednje datoteke:<br /> * TBK_2022_Priimek_Ime.doc(x) za seminar, npr. TBK_2022_Guncar_Gregor.docx<br /> * TBK_2022_Priimek_ime_final.doc(x) za končno verzijo seminarja<br /> * TBK_2022_Priimek_Ime_rec_Priimek2.doc(x) za recenzijo, kjer je Priimek2 priimek recenzenta, npr. TBK_2022_Guncar_Gregor_rec_Scott.docx (če se pišete Scott in odajate recenzijo za seminar, ki ga je napisal Gunčar)<br /> * TBK_2022_Priimek_Ime.pdf za prezentacijo (PowerPoint -&gt; Shrani kot PDF), npr TBK_2022_Guncar_Gregor.pdf<br /> * TBK_2022_Priimek_Ime_clanek.pdf za datoteko PDF, ki vsebuje izvirni članek, npr. TBK_2022_Guncar_Gregor_clanek.pdf<br /> <br /> ==Ocenjevanje seminarjev==<br /> Recenzenti ocenijo seminar tako, da izpolnijo [https://forms.office.com/r/8i5ma9ZvQZ recenzentsko poročilo] na spletu.<br /> <br /> == Mnenje o predstavitvi ==<br /> Vsak posameznik '''mora''' oceniti seminar tako, da odda svoje [https://forms.office.com/r/LvF8vvL7mT mnenje] najkasneje v enem tednu po predstavitvi. Kdor na seminarju ni bil prisoten, mnenja '''ne sme''' oddati.<br /> <br /> ==Urejanje spletnih strani na wikiju==<br /> Wiki so razvili zato, da lahko spletne vsebine ureja vsakdo. Ukazi so preprosti, dokler si ne zamislite česa prav posebnega. Vseeno pa je Word v primerjavi z wikijem pravo čudežno orodje... Če imate težave z oblikovanjem besedila, si preberite poglavje o urejanju wiki-strani na Wikipediji ([http://en.wikipedia.org/wiki/Help:Editing tule] v angleščini in [http://sl.wikipedia.org/wiki/Wikipedija:Urejanje_strani tu] v slovenščini). Pomaga tudi, če pogledate, kako je zapisana kakšna stran, ki se vam zdi v redu: kliknite na zavihek 'Uredite stran' in si poglejte, kako so vpisane povezave, kako nov odstavek in podobno. ''Na koncu seveda pod oknom za urejanje kliknite na 'Prekliči'.''<br /> <br /> ==Faktor vpliva==<br /> Faktor vpliva (angl. impact factor) neke revije pove, kolikokrat so bili v poprečju citirani članki v tej reviji v dveh letih skupaj pred objavo tega faktorja. Faktorje vpliva za posamezno revijo lahko najdete v [https://plus.si.cobiss.net/opac7/jcr COBISS-u]. V polje &quot;Naslov revije&quot; vnesite ime revije, za katero želite izvedeti faktor vpliva, in pritisnite na gumb POIŠČI. Če želite videti vse revije, enostavno v iskalno polje vpišite *. V skrajnem desnem stolpcu se bodo izpisali faktorji vpliva za revije, ki ustrezajo vašim iskalnim kriterijem. Zadetkov za posamezno revijo je več zato, ker so navedeni faktorji vpliva za posamezno leto. Za tekoče leto faktorji vpliva še niso objavljeni, zato se orientirajte po faktorjih vpliva zadnjih par let. Če faktorja vpliva za vašo izbrano revijo ne najdete v bazi COBISS, potem izberite članek iz kakšne druge revije.<br /> <br /> ==Citiranje virov==<br /> Citiranje je možno po več shemah, važno je, da se v seminarju držite ene same. Temeljno načelo je, da je treba vir navesti na tak način, da ga je mogoče nedvoumno poiskati. Sicer pa ima vsaka revija lahko svoj način citiranja, ki ga je treba pri pisanju članka upoštevati.&lt;br&gt;'''Citiranje knjig:'''&lt;br&gt;Priimek, I. ''Naslov''. Kraj: Založba, letnica.&lt;br&gt;Priimek, I. ''Naslov: podnaslov''. Izdaja. Kraj: Založba, letnica. Zbirka, številka. ISBN.&lt;br&gt;Boyer, R. ''Temelji biokemije''. Ljubljana: Študentska založba, 2005.&lt;br&gt;Glick BR in Pasternak JJ. ''Molecular biotechnology: principles and applications of recombinant DNA''. 3. izdaja. Washington: ASM Press, 2003. ISBN 1-55581-269-4.&lt;br&gt;Če so avtorji trije, je beseda in med drugim in tretjim avtorjem. Če so avtorji več kot trije, napišemo samo prvega in dopišemo ''et al''. (in drugi, po latinsko). Vse, kar je latinsko, pišemo poševno (npr. tudi imena rastlin in živali, pojme ''in vivo'', ''in vitro'' ipd.). &lt;br&gt;'''Citiranje člankov:'''&lt;br&gt;Priimek, I. Naslov. ''Naslov revije'', letnica, letnik, številka, strani.&lt;br&gt;Lartigue C. ''et al''. Genome transplantation in bacteria: changing one species to another. ''Science'', 2007, letn. 317, str. 632-638.Alternativni način citiranja (predvsem v družboslovju) je po pravilih APA, kjer članke citirajo takole:&lt;br&gt;Priimek, I. (letnica, številka). Naslov. Naslov revije, strani.&lt;br&gt;Lartigue C. ''et al.'' (2007, 317) Genome transplantation in bacteria: changing one species to another. ''Science'', 632-638.Revija Science uporablja skrajšani zapis:&lt;br&gt;C. Lartigue ''et al''. Science 317, 632 (2007)&lt;br&gt;V diplomah na FKKT je treba navesti vire tako, da izpišete tudi naslov citiranega dela in strani od-do (ne samo začetne).&lt;br&gt;'''Citiranje spletnih virov:'''&lt;br&gt;Priimek, I. ''Naslov dokumenta''. Izdaja. Kraj: Založnik, letnica. Datum zadnjega popravljanja. [Datum citiranja.] spletni naslov&lt;br&gt;strangeguitars. ''On the brink of artificial life''. 6. 10. 2007. [citirano 13. 11. 2007] http://www.metafilter.com/65331/On-the-brink-of-artificial-life&lt;br&gt;Navedemo čim več podatkov; pogosto vseh iz pravila ne boste našli.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Temelji_biokemije_2023_-_seminar&diff=19729 2022-03-03T20:36:11Z

<p>Tinkarakorosec: /* Seznam seminarjev */</p> <hr /> <div>Seminarje vodi doc. dr. Miha Pavšič. Seminarji so obvezni.<br /> <br /> Ocena seminarjev (6-10) predstavlja enako število odstotkov, ki se prišteje h končni pisni oceni izpita. <br /> Stran na strežniku s seminarskimi nalogami je zaščitena.<br /> Uporabniško ime je: tbk, password pa: samozame## &quot;##&quot; sta dve številki, ki ju izveste na predavanjih.<br /> Tudi za urejanje Wiki strani potrebujete geslo, ki se od zgornjega razlikuje. Postopek pridobitve Wiki uporabniškega imena in gesla je opisan [http://wiki.fkkt.uni-lj.si/index.php/Main_Page tukaj].<br /> <br /> == Seznam seminarjev ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> ! Priimek in ime !! Naslov seminarja !! Povezava !! Rok za oddajo !! Rok za recenzijo !! Datum predstavitve !! Recenzent 1 !! Recenzent 2 !! Recenzent 3<br /> |-<br /> | Fink, Luka || Protitumorsko zdravilo spodbuja hujšanje pri miših || https://www.sciencedaily.com/releases/2022/02/220224140853.htm || 04.03. || 07.03. || 10.03. || Bunc, Zara || Pečovnik Wutt, Naja || Malik, Lara<br /> |-<br /> | Kogoj, Lena || Umetno narejene proteinske mišice zdaj realnost || https://www.sciencedaily.com/releases/2022/01/220128141254.htm || 04.03. || 07.03. || 10.03. || Pucihar, Samo || Pojbič, Taja || Novel, Matija<br /> |-<br /> | Korošec, Tinkara || Superbakterije in novi pristopi k razumevanju vzroka rezistence || https://www.sciencedaily.com/releases/2022/02/220217181730.htm <br /> http://wiki.fkkt.uni-lj.si/index.php/TBK2021_Povzetki_seminarjev#Koro.C5.A1ec.2C_Tinkara:_Superbakterije_in_novi_pristopi_k_razumevanju_vzroka_rezistence<br /> || 04.03. || 07.03. || 10.03. || Kovaček, Lucija || Trček, Laura || Petrovič, Filip<br /> |-<br /> | Krašna, Deni || Odkrit ključ za nadzor celične smrti || https://www.sciencedaily.com/releases/2022/02/220218100724.htm || 04.03. || 07.03. || 10.03. || Stojić, Ivana || Bernik, Miha || Kolenc, Klara<br /> |-<br /> | Mezek, Tajda || Multipla skleroza verjetno posledica okužbe z Epstein-Barr virusom || https://www.sciencedaily.com/releases/2022/01/220113151342.htm || 04.03. || 07.03. || 10.03. || Trajković, Miljan || Jeromelj, Tonja || Koren, Žiga<br /> |-<br /> | Auer, Špela || Vpliv proteina na vnetja || https://www.sciencedaily.com/releases/2022/01/220125124029.htm || 11.03. || 14.03. || 17.03. || Žerovnik, Klara || Poljanšek, Aleš || Matek, Nik<br /> |-<br /> | Mikoš, Ula || || https://www.sciencedaily.com/releases/2022/02/220225085843.htm || 11.03. || 14.03. || 17.03. || Zupanc, Lara || Vogrič, Vanja || Trost, Teo<br /> |-<br /> | Mužič, Taja || || https://www.sciencedaily.com/releases/2022/01/220113111451.htm || 11.03. || 14.03. || 17.03. || Petrov, Mario || Vranješ, Tin || Varlamov, Mark<br /> |-<br /> | Rajterič, Lara || Z novim sistemom do hitrejšega nadzora nad nanodelci za dostavo zdravil || https://www.sciencedaily.com/releases/2022/02/220210114055.htm || 11.03. || 14.03. || 17.03. || Trobiš, Veronika || Agrež, Tim-David || Justin, Klemen<br /> |-<br /> | Simonič, Laura || || || 11.03. || 14.03. || 17.03. || Velkovska, Tamara || Bunc, Zara || Kresal, Martin<br /> |-<br /> | Kristanc, Pia || || https://www.sciencedaily.com/releases/2022/02/220218080243.htm || 18.03. || 21.03. || 24.03. || Fink, Luka || Pucihar, Samo || Pečovnik Wutt, Naja<br /> |-<br /> | Lah, Urša || ||https://www.sciencedaily.com/releases/2022/02/220223111242.htm || 18.03. || 21.03. || 24.03. || Kogoj, Lena || Kovaček, Lucija || Pojbič, Taja<br /> |-<br /> | Mohar, Teja || || || 18.03. || 21.03. || 24.03. || Korošec, Tinkara || Stojić, Ivana || Trček, Laura<br /> |-<br /> | Tušek, Marcel || || || 18.03. || 21.03. || 24.03. || Krašna, Deni || Trajković, Miljan || Bernik, Miha<br /> |-<br /> | Brajer, Mirta || || https://www.sciencedaily.com/releases/2022/02/220224112615.htm || 25.03. || 28.03. || 31.03. || Mezek, Tajda || Žerovnik, Klara || Jeromelj, Tonja<br /> |-<br /> | Kastelic, Gal || || || 25.03. || 28.03. || 31.03. || Auer, Špela || Zupanc, Lara || Poljanšek, Aleš<br /> |-<br /> | Malik, Lara || || || 25.03. || 28.03. || 31.03. || Mikoš, Ula || Petrov, Mario || Vogrič, Vanja<br /> |-<br /> | Novel, Matija || || || 25.03. || 28.03. || 31.03. || Mužič, Taja || Trobiš, Veronika || Vranješ, Tin<br /> |-<br /> | Petrovič, Filip || || || 25.03. || 28.03. || 31.03. || Rajterič, Lara || Velkovska, Tamara || Agrež, Tim-David<br /> |-<br /> | Kolenc, Klara ||Odkrili kako virusi povzročijo avtoimune bolezni ||https://www.sciencedaily.com/releases/2022/02/220228103805.htm || 01.04. || 04.04. || 07.04. || Simonič, Laura || Fink, Luka || Bunc, Zara<br /> |-<br /> | Koren, Žiga || || || 01.04. || 04.04. || 07.04. || Kristanc, Pia || Kogoj, Lena || Pucihar, Samo<br /> |-<br /> | Matek, Nik || || || 01.04. || 04.04. || 07.04. || Lah, Urša || Korošec, Tinkara || Kovaček, Lucija<br /> |-<br /> | Trost, Teo || || || 01.04. || 04.04. || 07.04. || Mohar, Teja || Krašna, Deni || Stojić, Ivana<br /> |-<br /> | Varlamov, Mark || || || 01.04. || 04.04. || 07.04. || Tušek, Marcel || Mezek, Tajda || Trajković, Miljan<br /> |-<br /> | Justin, Klemen || Protein SARS-CoV-2 krivec za okužbe, a tudi pot do rešitve || https://www.sciencedaily.com/releases/2022/02/220216121828.htm || 08.04. || 11.04. || 14.04. || Brajer, Mirta || Auer, Špela || Žerovnik, Klara<br /> |-<br /> | Kresal, Martin || || || 08.04. || 11.04. || 14.04. || Kastelic, Gal || Mikoš, Ula || Zupanc, Lara<br /> |-<br /> | Pečovnik Wutt, Naja || || || 08.04. || 11.04. || 14.04. || Malik, Lara || Mužič, Taja || Petrov, Mario<br /> |-<br /> | Pojbič, Taja || || || 08.04. || 11.04. || 14.04. || Novel, Matija || Rajterič, Lara || Trobiš, Veronika<br /> |-<br /> | Trček, Laura || || || 08.04. || 11.04. || 14.04. || Petrovič, Filip || Simonič, Laura || Velkovska, Tamara<br /> |-<br /> | Bernik, Miha || || || 15.04. || 18.04. || 21.04. || Kolenc, Klara || Kristanc, Pia || Fink, Luka<br /> |-<br /> | Jeromelj, Tonja || || || 15.04. || 18.04. || 21.04. || Koren, Žiga || Lah, Urša || Kogoj, Lena<br /> |-<br /> | Poljanšek, Aleš || || || 15.04. || 18.04. || 21.04. || Matek, Nik || Mohar, Teja || Korošec, Tinkara<br /> |-<br /> | Vogrič, Vanja || || || 15.04. || 18.04. || 21.04. || Trost, Teo || Tušek, Marcel || Krašna, Deni<br /> |-<br /> | Vranješ, Tin || || || 15.04. || 18.04. || 21.04. || Varlamov, Mark || Brajer, Mirta || Mezek, Tajda<br /> |-<br /> | Agrež, Tim-David || || || 22.04. || 25.04. || 28.04. || Justin, Klemen || Kastelic, Gal || Auer, Špela<br /> |-<br /> | Bunc, Zara || || || 22.04. || 25.04. || 28.04. || Kresal, Martin || Malik, Lara || Mikoš, Ula<br /> |-<br /> | Pucihar, Samo || || || 22.04. || 25.04. || 28.04. || Pečovnik Wutt, Naja || Novel, Matija || Mužič, Taja<br /> |-<br /> | Dehondt, Johan || || || 22.04. || 25.04. || 28.04. || || || <br /> |-<br /> | Vitard, Arthur || || || 22.04. || 25.04. || 28.04. || || || <br /> |-<br /> | Kovaček, Lucija || || || 29.04. || 02.05. || 05.05. || Pojbič, Taja || Petrovič, Filip || Rajterič, Lara<br /> |-<br /> | Stojić, Ivana ||Biološke nevrone kmalu nadomestili umetni ||https://www.sciencedaily.com/releases/2022/02/220222121302.htm || 29.04. || 02.05. || 05.05. || Trček, Laura || Kolenc, Klara || Simonič, Laura<br /> |-<br /> | Trajković, Miljan || || || 29.04. || 02.05. || 05.05. || Bernik, Miha || Koren, Žiga || Kristanc, Pia<br /> |-<br /> | Žerovnik, Klara || || || 29.04. || 02.05. || 05.05. || Jeromelj, Tonja || Matek, Nik || Lah, Urša<br /> |-<br /> | Zupanc, Lara || || || 29.04. || 02.05. || 05.05. || Poljanšek, Aleš || Trost, Teo || Mohar, Teja<br /> |-<br /> | Petrov, Mario || || || 06.05. || 09.05. || 12.05. || Vogrič, Vanja || Varlamov, Mark || Tušek, Marcel<br /> |-<br /> | Trobiš, Veronika || || || 06.05. || 09.05. || 12.05. || Vranješ, Tin || Justin, Klemen || Brajer, Mirta<br /> |-<br /> | Velkovska, Tamara || || || 06.05. || 09.05. || 12.05. || Agrež, Tim-David || Kresal, Martin || Kastelic, Gal<br /> |}<br /> <br /> ==Naloga==<br /> * Samostojno pripraviti seminar, katerega tema je novica iz področja biokemije na portalu [http://www.sciencedaily.com ScienceDaily], ki je bila objavljena kasneje kot '''1. avgusta 2021'''. Osnova za seminar naj bo znanstveni članek, ki je podlaga za to novico. Poleg tega članka za seminar uporabite še najmanj pet drugih virov, od teh vsaj še dva druga znanstvena članka, ki se navezujeta na to vsebino. <br /> * Članke na temo lahko iščete [https://scholar.google.com/ z Google učenjakom].<br /> * Naslov izbrane teme (naslov seminarja v slovenščini) in povezavo do novice vpišite v tabelo seminarjev takoj ko ste si izbrali temo, najkasneje pa en teden pred rokom za oddajo .<br /> * [[TBK2021 Povzetki seminarjev|Povzetek seminarja]] opišete na wikiju v približno 200 besedah – najkasneje do dne, ko morate oddati seminar recenzentom. <br /> * Povezavo do povzetka vnesete v tabelo seminarjev tekočega letnika.<br /> * Seminar pripravite v obliki seminarske naloge (pisava Cambria, font 11, enojni razmak, 2,5 cm robovi; tekst naj obsega okoli 1000 besed), vsebuje naj 1–2 sliki. Slika mora imeti legendo in v besedilu mora biti na ustreznem mestu sklic na sliko. Vse uporabljene vire citirajte v tekstu, kot npr. (Nobel, 2010), na koncu pa navedite točen seznam literature, kot je opisano spodaj!<br /> * Celotni seminar naj obsega 2 strani A4 formata (po možnosti dvostransko tiskanje).<br /> * Seminar oddajte do datuma oddaje, ki je naveden v tabeli v elektronski obliki z uporabo [http://bio.ijs.si/~zajec/tbk/poslji/ tega obrazca].<br /> * Vsi seminarji so v elektronski obliki dostopni [http://bio.ijs.si/~zajec/tbk/poslji/bioseminar/ tukaj].<br /> * Recenzenti do dneva določenega v tabeli določijo popravke in podajo oceno pisnega dela, v predpisanem formatu elektronskega obrazca na internetu. Povezava je objavljena v [spletni učilnici https://ucilnica.fkkt.uni-lj.si/].<br /> * Ustna predstavitev sledi na dan, ki je vpisan v tabeli. Za predstavitev je na voljo 10 minut. Recenzenti morajo biti na predstavitvi prisotni. Prvi recenzent vodi predstavitve in razpravo ter skrbi za to, da vse poteka v zastavljenih časovnih okvirih.<br /> * Predstavitvi sledi razprava do 5 minut. Sledijo vprašanja prisotnih, recenzenti postavijo vsak vsaj dve vprašanji in na koncu podajo oceno predstavitve, tako kot ostali kolegi.<br /> * En dan pred predstavitvijo na strežnik oddajte tudi končno verzijo. Na dan predstavitve morate oddati tudi končno (popravljeno) in natisnjeno verzijo seminarja v enem izvodu.<br /> * Seminarska naloga in povzetek na wikiju morajo biti v slovenskem jeziku!<br /> <br /> '''Torej, povzeto''':<br /> <br /> 1. Seminarsko nalogo avtor do določenega datuma odda [http://bio.ijs.si/~zajec/tbk/poslji/ tukaj], istočasno pa se povzetek v odda [http://wiki.fkkt.uni-lj.si/index.php/TBK2021_Povzetki_seminarjev tukaj].<br /> <br /> 2. Do določenega datuma recenzenti pregledajo nalogo in oddajo datoteko z morebitnimi komentarji/popravki [http://bio.ijs.si/~zajec/tbk/poslji/ tukaj], istočasno pa oddajo svojo ''recenzentsko'' oceno preko povezave v [https://ucilnica.fkkt.uni-lj.si/ spletni učilnici].<br /> <br /> 3. Avtor pripravi končno obliko seminarske naloge in jo odda [http://bio.ijs.si/~zajec/tbk/poslji/ tukaj] vsaj 1 dan pred predstavitvijo.<br /> <br /> 4. Po predstavitvi ''vsi'' (tako recenzenti kot ostali kolegi) oddate oceno predstavitve preko povezave v [https://ucilnica.fkkt.uni-lj.si/ spletni učilnici].<br /> <br /> Ne pozabite na pravila pri poimenovanju datotek.<br /> <br /> ==&lt;font color=green&gt;Imena datotek&lt;/font&gt;==<br /> Prosim vas, da vse datoteke, ki jih pošiljate, poimenujete po spodnjih pravilih. Ne uporabljajte ČŽŠčžš!<br /> Poslati morate naslednje datoteke:<br /> * TBK_2022_Priimek_Ime.doc(x) za seminar, npr. TBK_2022_Guncar_Gregor.docx<br /> * TBK_2022_Priimek_ime_final.doc(x) za končno verzijo seminarja<br /> * TBK_2022_Priimek_Ime_rec_Priimek2.doc(x) za recenzijo, kjer je Priimek2 priimek recenzenta, npr. TBK_2022_Guncar_Gregor_rec_Scott.docx (če se pišete Scott in odajate recenzijo za seminar, ki ga je napisal Gunčar)<br /> * TBK_2022_Priimek_Ime.pdf za prezentacijo (PowerPoint -&gt; Shrani kot PDF), npr TBK_2022_Guncar_Gregor.pdf<br /> * TBK_2022_Priimek_Ime_clanek.pdf za datoteko PDF, ki vsebuje izvirni članek, npr. TBK_2022_Guncar_Gregor_clanek.pdf<br /> <br /> ==Ocenjevanje seminarjev==<br /> Recenzenti ocenijo seminar tako, da izpolnijo [https://forms.office.com/r/8i5ma9ZvQZ recenzentsko poročilo] na spletu.<br /> <br /> == Mnenje o predstavitvi ==<br /> Vsak posameznik '''mora''' oceniti seminar tako, da odda svoje [https://forms.office.com/r/LvF8vvL7mT mnenje] najkasneje v enem tednu po predstavitvi. Kdor na seminarju ni bil prisoten, mnenja '''ne sme''' oddati.<br /> <br /> ==Urejanje spletnih strani na wikiju==<br /> Wiki so razvili zato, da lahko spletne vsebine ureja vsakdo. Ukazi so preprosti, dokler si ne zamislite česa prav posebnega. Vseeno pa je Word v primerjavi z wikijem pravo čudežno orodje... Če imate težave z oblikovanjem besedila, si preberite poglavje o urejanju wiki-strani na Wikipediji ([http://en.wikipedia.org/wiki/Help:Editing tule] v angleščini in [http://sl.wikipedia.org/wiki/Wikipedija:Urejanje_strani tu] v slovenščini). Pomaga tudi, če pogledate, kako je zapisana kakšna stran, ki se vam zdi v redu: kliknite na zavihek 'Uredite stran' in si poglejte, kako so vpisane povezave, kako nov odstavek in podobno. ''Na koncu seveda pod oknom za urejanje kliknite na 'Prekliči'.''<br /> <br /> ==Faktor vpliva==<br /> Faktor vpliva (angl. impact factor) neke revije pove, kolikokrat so bili v poprečju citirani članki v tej reviji v dveh letih skupaj pred objavo tega faktorja. Faktorje vpliva za posamezno revijo lahko najdete v [https://plus.si.cobiss.net/opac7/jcr COBISS-u]. V polje &quot;Naslov revije&quot; vnesite ime revije, za katero želite izvedeti faktor vpliva, in pritisnite na gumb POIŠČI. Če želite videti vse revije, enostavno v iskalno polje vpišite *. V skrajnem desnem stolpcu se bodo izpisali faktorji vpliva za revije, ki ustrezajo vašim iskalnim kriterijem. Zadetkov za posamezno revijo je več zato, ker so navedeni faktorji vpliva za posamezno leto. Za tekoče leto faktorji vpliva še niso objavljeni, zato se orientirajte po faktorjih vpliva zadnjih par let. Če faktorja vpliva za vašo izbrano revijo ne najdete v bazi COBISS, potem izberite članek iz kakšne druge revije.<br /> <br /> ==Citiranje virov==<br /> Citiranje je možno po več shemah, važno je, da se v seminarju držite ene same. Temeljno načelo je, da je treba vir navesti na tak način, da ga je mogoče nedvoumno poiskati. Sicer pa ima vsaka revija lahko svoj način citiranja, ki ga je treba pri pisanju članka upoštevati.&lt;br&gt;'''Citiranje knjig:'''&lt;br&gt;Priimek, I. ''Naslov''. Kraj: Založba, letnica.&lt;br&gt;Priimek, I. ''Naslov: podnaslov''. Izdaja. Kraj: Založba, letnica. Zbirka, številka. ISBN.&lt;br&gt;Boyer, R. ''Temelji biokemije''. Ljubljana: Študentska založba, 2005.&lt;br&gt;Glick BR in Pasternak JJ. ''Molecular biotechnology: principles and applications of recombinant DNA''. 3. izdaja. Washington: ASM Press, 2003. ISBN 1-55581-269-4.&lt;br&gt;Če so avtorji trije, je beseda in med drugim in tretjim avtorjem. Če so avtorji več kot trije, napišemo samo prvega in dopišemo ''et al''. (in drugi, po latinsko). Vse, kar je latinsko, pišemo poševno (npr. tudi imena rastlin in živali, pojme ''in vivo'', ''in vitro'' ipd.). &lt;br&gt;'''Citiranje člankov:'''&lt;br&gt;Priimek, I. Naslov. ''Naslov revije'', letnica, letnik, številka, strani.&lt;br&gt;Lartigue C. ''et al''. Genome transplantation in bacteria: changing one species to another. ''Science'', 2007, letn. 317, str. 632-638.Alternativni način citiranja (predvsem v družboslovju) je po pravilih APA, kjer članke citirajo takole:&lt;br&gt;Priimek, I. (letnica, številka). Naslov. Naslov revije, strani.&lt;br&gt;Lartigue C. ''et al.'' (2007, 317) Genome transplantation in bacteria: changing one species to another. ''Science'', 632-638.Revija Science uporablja skrajšani zapis:&lt;br&gt;C. Lartigue ''et al''. Science 317, 632 (2007)&lt;br&gt;V diplomah na FKKT je treba navesti vire tako, da izpišete tudi naslov citiranega dela in strani od-do (ne samo začetne).&lt;br&gt;'''Citiranje spletnih virov:'''&lt;br&gt;Priimek, I. ''Naslov dokumenta''. Izdaja. Kraj: Založnik, letnica. Datum zadnjega popravljanja. [Datum citiranja.] spletni naslov&lt;br&gt;strangeguitars. ''On the brink of artificial life''. 6. 10. 2007. [citirano 13. 11. 2007] http://www.metafilter.com/65331/On-the-brink-of-artificial-life&lt;br&gt;Navedemo čim več podatkov; pogosto vseh iz pravila ne boste našli.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=TBK_2022_Povzetki_seminarjev&diff=19728 2022-03-03T20:27:35Z

<p>Tinkarakorosec: /* Priimek, Ime: Naslov */</p> <hr /> <div>=== Korošec, Tinkara: Superbakterije in novi pristopi k razumevanju vzroka rezistence ===<br /> Nekatere bakterije so za nas esencialne, medtem ko patogeni sevi lahko povzročajo življenjsko ogrožujoča obolenja. Zaradi desetletij nepravilne uporabe antibiotičnih sredstev, so bakterije nanje razvile rezistenco. Imenujemo jih tudi superbakterije, ena najbolj razvpitih je MRSA, ki ima razvito rezistenco na β-laktamske antibiotike in na močnejše antibiotične učinkovine, kot je trimetoprim (TMP). Gre za inhibitor encima dihidrofolat reduktaze (DHFR), ključnega pri procesih celičnega podvojevanja. Redukcijo na encimu katalizira kofaktor NADPH. Zaradi pojava rezistence bakterij na omenjen inhibitor, so v razvoju novi, preko propargila vezani antibiotiki (PLA). Raziskave so bile izvedene preko računalniških orodij, kjer so izdelali visoko resolucijske kristalne strukture kompleksov med PLA enantiomerami, NADPH izomerama in SaDHFR WT ali F98Y, le-ti v različnih kombinacijah. Opazili so, da se NADPH pojavlja v dveh konformacijah, običajni β-NADPH in še nikoli videni anomeri t-NADPH. Ocenjena je bila tudi učinkovitost različnih PLA enantiomer na WT in mutirani SaDHFR. Izkazalo se je, da sta R-27 in S-27 najučinkovitejši PLA enantiomeri, vendar imata ob vezavi na DHFR različni preferenci za NADPH izomeri. Ker imata enantiomeri različni stopnji učinkovitosti proti F98Y SaDHFR, ta fenomen poimenujemo kiralni izogib (angl. chiral evasion). Gre za pojav, ko encim izrablja konfiguracijsko in kiralno razliko svojega kofaktorja za izogib inhibitorju.<br /> <br /> === Priimek, Ime: Naslov ===<br /> Tukaj napišite povzetek.<br /> <br /> === Priimek, Ime: Naslov ===<br /> Tukaj napišite povzetek.<br /> <br /> === Priimek, Ime: Naslov ===<br /> Tukaj napišite povzetek.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Temelji_biokemije_2023_-_seminar&diff=19696 2022-02-24T16:37:04Z

<p>Tinkarakorosec: </p> <hr /> <div>Seminarje vodi doc. dr. Miha Pavšič. Seminarji so obvezni.<br /> <br /> Ocena seminarjev (6-10) predstavlja enako število odstotkov, ki se prišteje h končni pisni oceni izpita. <br /> Stran na strežniku s seminarskimi nalogami je zaščitena.<br /> Uporabniško ime je: tbk, password pa: samozame## &quot;##&quot; sta dve številki, ki ju izveste na predavanjih.<br /> Tudi za urejanje Wiki strani potrebujete geslo, ki se od zgornjega razlikuje. Postopek pridobitve Wiki uporabniškega imena in gesla je opisan [http://wiki.fkkt.uni-lj.si/index.php/Main_Page tukaj].<br /> <br /> == Seznam seminarjev ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> ! Priimek in ime !! Naslov seminarja !! Povezava !! Rok za oddajo !! Rok za recenzijo !! Datum predstavitve !! Recenzent 1 !! Recenzent 2 !! Recenzent 3<br /> |-<br /> | Fink, Luka || To besedilo odstranite in nadomestite z naslovom seminarja v slovenščini || https://www.sciencedaily.com/releases/2019/02/190214100038.htm || 04.03. || 07.03. || 10.03. || Bunc, Zara || Pečovnik Wutt, Naja || Malik, Lara<br /> |-<br /> | Kogoj, Lena || || || 04.03. || 07.03. || 10.03. || Pucihar, Samo || Pojbič, Taja || Novel, Matija<br /> |-<br /> | Korošec, Tinkara || Superbakterije in novi pristopi k razumevanju vzroka rezistence || https://www.sciencedaily.com/releases/2022/02/220217181730.htm || 04.03. || 07.03. || 10.03. || Kovaček, Lucija || Trček, Laura || Petrovič, Filip<br /> |-<br /> | Krašna, Deni || || || 04.03. || 07.03. || 10.03. || Stojić, Ivana || Bernik, Miha || Kolenc, Klara<br /> |-<br /> | Mezek, Tajda || || || 04.03. || 07.03. || 10.03. || Trajković, Miljan || Jeromelj, Tonja || Koren, Žiga<br /> |-<br /> | Auer, Špela || || || 11.03. || 14.03. || 17.03. || Žerovnik, Klara || Poljanšek, Aleš || Matek, Nik<br /> |-<br /> | Mikoš, Ula || || || 11.03. || 14.03. || 17.03. || Zupanc, Lara || Vogrič, Vanja || Trost, Teo<br /> |-<br /> | Mužič, Taja || || || 11.03. || 14.03. || 17.03. || Petrov, Mario || Vranješ, Tin || Varlamov, Mark<br /> |-<br /> | Rajterič, Lara || || || 11.03. || 14.03. || 17.03. || Trobiš, Veronika || Agrež, Tim-David || Justin, Klemen<br /> |-<br /> | Simonič, Laura || || || 11.03. || 14.03. || 17.03. || Velkovska, Tamara || Bunc, Zara || Kresal, Martin<br /> |-<br /> | Kristanc, Pia || || || 18.03. || 21.03. || 24.03. || Fink, Luka || Pucihar, Samo || Pečovnik Wutt, Naja<br /> |-<br /> | Lah, Urša || || || 18.03. || 21.03. || 24.03. || Kogoj, Lena || Kovaček, Lucija || Pojbič, Taja<br /> |-<br /> | Mohar, Teja || || || 18.03. || 21.03. || 24.03. || Korošec, Tinkara || Stojić, Ivana || Trček, Laura<br /> |-<br /> | Tušek, Marcel || || || 18.03. || 21.03. || 24.03. || Krašna, Deni || Trajković, Miljan || Bernik, Miha<br /> |-<br /> | Brajer, Mirta || || || 25.03. || 28.03. || 31.03. || Mezek, Tajda || Žerovnik, Klara || Jeromelj, Tonja<br /> |-<br /> | Kastelic, Gal || || || 25.03. || 28.03. || 31.03. || Auer, Špela || Zupanc, Lara || Poljanšek, Aleš<br /> |-<br /> | Malik, Lara || || || 25.03. || 28.03. || 31.03. || Mikoš, Ula || Petrov, Mario || Vogrič, Vanja<br /> |-<br /> | Novel, Matija || || || 25.03. || 28.03. || 31.03. || Mužič, Taja || Trobiš, Veronika || Vranješ, Tin<br /> |-<br /> | Petrovič, Filip || || || 25.03. || 28.03. || 31.03. || Rajterič, Lara || Velkovska, Tamara || Agrež, Tim-David<br /> |-<br /> | Kolenc, Klara || || || 01.04. || 04.04. || 07.04. || Simonič, Laura || Fink, Luka || Bunc, Zara<br /> |-<br /> | Koren, Žiga || || || 01.04. || 04.04. || 07.04. || Kristanc, Pia || Kogoj, Lena || Pucihar, Samo<br /> |-<br /> | Matek, Nik || || || 01.04. || 04.04. || 07.04. || Lah, Urša || Korošec, Tinkara || Kovaček, Lucija<br /> |-<br /> | Trost, Teo || || || 01.04. || 04.04. || 07.04. || Mohar, Teja || Krašna, Deni || Stojić, Ivana<br /> |-<br /> | Varlamov, Mark || || || 01.04. || 04.04. || 07.04. || Tušek, Marcel || Mezek, Tajda || Trajković, Miljan<br /> |-<br /> | Justin, Klemen || || || 08.04. || 11.04. || 14.04. || Brajer, Mirta || Auer, Špela || Žerovnik, Klara<br /> |-<br /> | Kresal, Martin || || || 08.04. || 11.04. || 14.04. || Kastelic, Gal || Mikoš, Ula || Zupanc, Lara<br /> |-<br /> | Pečovnik Wutt, Naja || || || 08.04. || 11.04. || 14.04. || Malik, Lara || Mužič, Taja || Petrov, Mario<br /> |-<br /> | Pojbič, Taja || || || 08.04. || 11.04. || 14.04. || Novel, Matija || Rajterič, Lara || Trobiš, Veronika<br /> |-<br /> | Trček, Laura || || || 08.04. || 11.04. || 14.04. || Petrovič, Filip || Simonič, Laura || Velkovska, Tamara<br /> |-<br /> | Bernik, Miha || || || 15.04. || 18.04. || 21.04. || Kolenc, Klara || Kristanc, Pia || Fink, Luka<br /> |-<br /> | Jeromelj, Tonja || || || 15.04. || 18.04. || 21.04. || Koren, Žiga || Lah, Urša || Kogoj, Lena<br /> |-<br /> | Poljanšek, Aleš || || || 15.04. || 18.04. || 21.04. || Matek, Nik || Mohar, Teja || Korošec, Tinkara<br /> |-<br /> | Vogrič, Vanja || || || 15.04. || 18.04. || 21.04. || Trost, Teo || Tušek, Marcel || Krašna, Deni<br /> |-<br /> | Vranješ, Tin || || || 15.04. || 18.04. || 21.04. || Varlamov, Mark || Brajer, Mirta || Mezek, Tajda<br /> |-<br /> | Agrež, Tim-David || || || 22.04. || 25.04. || 28.04. || Justin, Klemen || Kastelic, Gal || Auer, Špela<br /> |-<br /> | Bunc, Zara || || || 22.04. || 25.04. || 28.04. || Kresal, Martin || Malik, Lara || Mikoš, Ula<br /> |-<br /> | Pucihar, Samo || || || 22.04. || 25.04. || 28.04. || Pečovnik Wutt, Naja || Novel, Matija || Mužič, Taja<br /> |-<br /> | Dehondt, Johan || || || 22.04. || 25.04. || 28.04. || || || <br /> |-<br /> | Vitard, Arthur || || || 22.04. || 25.04. || 28.04. || || || <br /> |-<br /> | Kovaček, Lucija || || || 29.04. || 02.05. || 05.05. || Pojbič, Taja || Petrovič, Filip || Rajterič, Lara<br /> |-<br /> | Stojić, Ivana || || || 29.04. || 02.05. || 05.05. || Trček, Laura || Kolenc, Klara || Simonič, Laura<br /> |-<br /> | Trajković, Miljan || || || 29.04. || 02.05. || 05.05. || Bernik, Miha || Koren, Žiga || Kristanc, Pia<br /> |-<br /> | Žerovnik, Klara || || || 29.04. || 02.05. || 05.05. || Jeromelj, Tonja || Matek, Nik || Lah, Urša<br /> |-<br /> | Zupanc, Lara || || || 29.04. || 02.05. || 05.05. || Poljanšek, Aleš || Trost, Teo || Mohar, Teja<br /> |-<br /> | Petrov, Mario || || || 06.05. || 09.05. || 12.05. || Vogrič, Vanja || Varlamov, Mark || Tušek, Marcel<br /> |-<br /> | Trobiš, Veronika || || || 06.05. || 09.05. || 12.05. || Vranješ, Tin || Justin, Klemen || Brajer, Mirta<br /> |-<br /> | Velkovska, Tamara || || || 06.05. || 09.05. || 12.05. || Agrež, Tim-David || Kresal, Martin || Kastelic, Gal<br /> |}<br /> <br /> ==Naloga==<br /> * samostojno pripraviti seminar, katerega tema je novica iz področja biokemije na portalu [http://www.sciencedaily.com ScienceDaily], ki je bila objavljena kasneje kot '''1. avgusta 2021'''. Osnova za seminar naj bo znanstveni članek, ki je podlaga za to novico. Poleg tega članka za seminar uporabite še najmanj pet drugih virov, od teh vsaj še dva druga znanstvena članka, ki se navezujeta na to vsebino. <br /> * članke na temo lahko iščete [https://scholar.google.com/ z Google učenjakom].<br /> * naslov izbrane teme (naslov seminarja v slovenščini) in povezavo do novice vpišite v tabelo seminarjev takoj ko ste si izbrali temo, najkasneje pa en teden pred rokom za oddajo <br /> * [[TBK2021 Povzetki seminarjev|Povzetek seminarja]] opišete na wikiju v približno 200 besedah – najkasneje do dne, ko morate oddati seminar recenzentom. <br /> * Povezavo do povzetka vnesete v tabelo seminarjev tekočega letnika.<br /> * Seminar pripravite v obliki seminarske naloge (pisava Cambria, font 11, enojni razmak, 2,5 cm robovi; tekst naj obsega okoli 1000 besed), vsebuje naj 1–2 sliki. Slika mora imeti legendo in v besedilu mora biti na ustreznem mestu sklic na sliko. Vse uporabljene vire citirajte v tekstu, kot npr. (Nobel, 2010), na koncu pa navedite točen seznam literature, kot je opisano spodaj!<br /> *Celotni seminar naj obsega 2 strani A4 formata (po možnosti dvostransko tiskanje).<br /> * Seminar oddajte do datuma oddaje, ki je naveden v tabeli v elektronski obliki z uporabo [http://bio.ijs.si/~zajec/tbk/poslji/ tega obrazca].<br /> * vsi seminarji so v elektronski obliki dostopni [http://bio.ijs.si/~zajec/tbk/poslji//bioseminar/ tukaj].<br /> * Recenzenti do dneva določenega v tabeli določijo popravke in podajo oceno pisnega dela, v predpisanem formatu elektronskega obrazca na internetu.<br /> * Ustna predstavitev sledi na dan, ki je vpisan v tabeli. Za predstavitev je na voljo 10 minut. Recenzenti morajo biti na predstavitvi prisotni. Prvi recenzent vodi predstavitve in razpravo ter skrbi za to, da vse poteka v zastavljenih časovnih okvirih.<br /> * Predstavitvi sledi razprava do 5 minut. Sledijo vprašanja prisotnih, recenzenti postavijo vsak vsaj dve vprašanji in na koncu podajo oceno predstavitve.<br /> * En dan pred predstavitvijo na strežnik oddajte tudi končno verzijo. Na dan predstavitve morate oddati tudi končno (popravljeno) in natisnjeno verzijo seminarja v enem izvodu.<br /> * Seminarska naloga in povzetek na wikiju morajo biti v slovenskem jeziku!<br /> <br /> ==&lt;font color=green&gt;Imena datotek&lt;/font&gt;==<br /> Prosim vas, da vse datoteke, ki jih pošiljate, poimenujete po spodnjih pravilih. Ne uporabljajte ČŽŠčžš!<br /> Poslati morate naslednje datoteke:<br /> * TBK_2022_Priimek_Ime.doc(x) za seminar, npr. TBK_2022_Guncar_Gregor.docx<br /> * TBK_2022_Priimek_ime_final.doc(x) za končno verzijo seminarja<br /> * TBK_2022_Priimek_Ime_rec_Priimek2.doc(x) za recenzijo, kjer je Priimek2 priimek recenzenta, npr. TBK_2022_Guncar_Gregor_rec_Scott.docx (če se pišete Scott in odajate recenzijo za seminar, ki ga je napisal Gunčar)<br /> * TBK_2022_Priimek_Ime.pdf za prezentacijo (PowerPoint -&gt; Shrani kot PDF), npr TBK_2022_Guncar_Gregor.pdf<br /> * TBK_2022_Priimek_Ime_clanek.pdf za datoteko PDF, ki vsebuje izvirni članek, npr. TBK_2022_Guncar_Gregor_clanek.pdf<br /> <br /> ==Ocenjevanje seminarjev==<br /> Recenzenti ocenijo seminar tako, da izpolnijo [https://forms.office.com/r/8i5ma9ZvQZ recenzentsko poročilo] na spletu.<br /> <br /> == Mnenje o predstavitvi ==<br /> Vsak posameznik '''mora''' oceniti seminar tako, da odda svoje [https://forms.office.com/r/LvF8vvL7mT mnenje] najkasneje v enem tednu po predstavitvi. Kdor na seminarju ni bil prisoten, mnenja '''ne sme''' oddati.<br /> <br /> ==Urejanje spletnih strani na wikiju==<br /> Wiki so razvili zato, da lahko spletne vsebine ureja vsakdo. Ukazi so preprosti, dokler si ne zamislite česa prav posebnega. Vseeno pa je Word v primerjavi z wikijem pravo čudežno orodje... Če imate težave z oblikovanjem besedila, si preberite poglavje o urejanju wiki-strani na Wikipediji ([http://en.wikipedia.org/wiki/Help:Editing tule] v angleščini in [http://sl.wikipedia.org/wiki/Wikipedija:Urejanje_strani tu] v slovenščini). Pomaga tudi, če pogledate, kako je zapisana kakšna stran, ki se vam zdi v redu: kliknite na zavihek 'Uredite stran' in si poglejte, kako so vpisane povezave, kako nov odstavek in podobno. ''Na koncu seveda pod oknom za urejanje kliknite na 'Prekliči'.''<br /> <br /> ==Faktor vpliva==<br /> Faktor vpliva (angl. impact factor) neke revije pove, kolikokrat so bili v poprečju citirani članki v tej reviji v dveh letih skupaj pred objavo tega faktorja. Faktorje vpliva za posamezno revijo lahko najdete v [https://plus.si.cobiss.net/opac7/jcr COBISS-u]. V polje &quot;Naslov revije&quot; vnesite ime revije, za katero želite izvedeti faktor vpliva, in pritisnite na gumb POIŠČI. Če želite videti vse revije, enostavno v iskalno polje vpišite *. V skrajnem desnem stolpcu se bodo izpisali faktorji vpliva za revije, ki ustrezajo vašim iskalnim kriterijem. Zadetkov za posamezno revijo je več zato, ker so navedeni faktorji vpliva za posamezno leto. Za tekoče leto faktorji vpliva še niso objavljeni, zato se orientirajte po faktorjih vpliva zadnjih par let. Če faktorja vpliva za vašo izbrano revijo ne najdete v bazi COBISS, potem izberite članek iz kakšne druge revije.<br /> <br /> ==Citiranje virov==<br /> Citiranje je možno po več shemah, važno je, da se v seminarju držite ene same. Temeljno načelo je, da je treba vir navesti na tak način, da ga je mogoče nedvoumno poiskati. Sicer pa ima vsaka revija lahko svoj način citiranja, ki ga je treba pri pisanju članka upoštevati.&lt;br&gt;'''Citiranje knjig:'''&lt;br&gt;Priimek, I. ''Naslov''. Kraj: Založba, letnica.&lt;br&gt;Priimek, I. ''Naslov: podnaslov''. Izdaja. Kraj: Založba, letnica. Zbirka, številka. ISBN.&lt;br&gt;Boyer, R. ''Temelji biokemije''. Ljubljana: Študentska založba, 2005.&lt;br&gt;Glick BR in Pasternak JJ. ''Molecular biotechnology: principles and applications of recombinant DNA''. 3. izdaja. Washington: ASM Press, 2003. ISBN 1-55581-269-4.&lt;br&gt;Če so avtorji trije, je beseda in med drugim in tretjim avtorjem. Če so avtorji več kot trije, napišemo samo prvega in dopišemo ''et al''. (in drugi, po latinsko). Vse, kar je latinsko, pišemo poševno (npr. tudi imena rastlin in živali, pojme ''in vivo'', ''in vitro'' ipd.). &lt;br&gt;'''Citiranje člankov:'''&lt;br&gt;Priimek, I. Naslov. ''Naslov revije'', letnica, letnik, številka, strani.&lt;br&gt;Lartigue C. ''et al''. Genome transplantation in bacteria: changing one species to another. ''Science'', 2007, letn. 317, str. 632-638.Alternativni način citiranja (predvsem v družboslovju) je po pravilih APA, kjer članke citirajo takole:&lt;br&gt;Priimek, I. (letnica, številka). Naslov. Naslov revije, strani.&lt;br&gt;Lartigue C. ''et al.'' (2007, 317) Genome transplantation in bacteria: changing one species to another. ''Science'', 632-638.Revija Science uporablja skrajšani zapis:&lt;br&gt;C. Lartigue ''et al''. Science 317, 632 (2007)&lt;br&gt;V diplomah na FKKT je treba navesti vire tako, da izpišete tudi naslov citiranega dela in strani od-do (ne samo začetne).&lt;br&gt;'''Citiranje spletnih virov:'''&lt;br&gt;Priimek, I. ''Naslov dokumenta''. Izdaja. Kraj: Založnik, letnica. Datum zadnjega popravljanja. [Datum citiranja.] spletni naslov&lt;br&gt;strangeguitars. ''On the brink of artificial life''. 6. 10. 2007. [citirano 13. 11. 2007] http://www.metafilter.com/65331/On-the-brink-of-artificial-life&lt;br&gt;Navedemo čim več podatkov; pogosto vseh iz pravila ne boste našli.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Temelji_biokemije_2023_-_seminar&diff=19695 2022-02-24T16:36:03Z

<p>Tinkarakorosec: </p> <hr /> <div>Seminarje vodi doc. dr. Miha Pavšič. Seminarji so obvezni.<br /> <br /> Ocena seminarjev (6-10) predstavlja enako število odstotkov, ki se prišteje h končni pisni oceni izpita. <br /> Stran na strežniku s seminarskimi nalogami je zaščitena.<br /> Uporabniško ime je: tbk, password pa: samozame## &quot;##&quot; sta dve številki, ki ju izveste na predavanjih.<br /> Tudi za urejanje Wiki strani potrebujete geslo, ki se od zgornjega razlikuje. Postopek pridobitve Wiki uporabniškega imena in gesla je opisan [http://wiki.fkkt.uni-lj.si/index.php/Main_Page tukaj].<br /> <br /> == Seznam seminarjev ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> ! Priimek in ime !! Naslov seminarja !! Povezava !! Rok za oddajo !! Rok za recenzijo !! Datum predstavitve !! Recenzent 1 !! Recenzent 2 !! Recenzent 3<br /> |-<br /> | Fink, Luka || To besedilo odstranite in nadomestite z naslovom seminarja v slovenščini || https://www.sciencedaily.com/releases/2019/02/190214100038.htm || 04.03. || 07.03. || 10.03. || Bunc, Zara || Pečovnik Wutt, Naja || Malik, Lara<br /> |-<br /> | Kogoj, Lena || || || 04.03. || 07.03. || 10.03. || Pucihar, Samo || Pojbič, Taja || Novel, Matija<br /> |-<br /> | Korošec, Tinkara || Superbakterije in novi pristopi k razumevanju vzroka resistence || https://www.sciencedaily.com/releases/2022/02/220217181730.htm || 04.03. || 07.03. || 10.03. || Kovaček, Lucija || Trček, Laura || Petrovič, Filip<br /> |-<br /> | Krašna, Deni || || || 04.03. || 07.03. || 10.03. || Stojić, Ivana || Bernik, Miha || Kolenc, Klara<br /> |-<br /> | Mezek, Tajda || || || 04.03. || 07.03. || 10.03. || Trajković, Miljan || Jeromelj, Tonja || Koren, Žiga<br /> |-<br /> | Auer, Špela || || || 11.03. || 14.03. || 17.03. || Žerovnik, Klara || Poljanšek, Aleš || Matek, Nik<br /> |-<br /> | Mikoš, Ula || || || 11.03. || 14.03. || 17.03. || Zupanc, Lara || Vogrič, Vanja || Trost, Teo<br /> |-<br /> | Mužič, Taja || || || 11.03. || 14.03. || 17.03. || Petrov, Mario || Vranješ, Tin || Varlamov, Mark<br /> |-<br /> | Rajterič, Lara || || || 11.03. || 14.03. || 17.03. || Trobiš, Veronika || Agrež, Tim-David || Justin, Klemen<br /> |-<br /> | Simonič, Laura || || || 11.03. || 14.03. || 17.03. || Velkovska, Tamara || Bunc, Zara || Kresal, Martin<br /> |-<br /> | Kristanc, Pia || || || 18.03. || 21.03. || 24.03. || Fink, Luka || Pucihar, Samo || Pečovnik Wutt, Naja<br /> |-<br /> | Lah, Urša || || || 18.03. || 21.03. || 24.03. || Kogoj, Lena || Kovaček, Lucija || Pojbič, Taja<br /> |-<br /> | Mohar, Teja || || || 18.03. || 21.03. || 24.03. || Korošec, Tinkara || Stojić, Ivana || Trček, Laura<br /> |-<br /> | Tušek, Marcel || || || 18.03. || 21.03. || 24.03. || Krašna, Deni || Trajković, Miljan || Bernik, Miha<br /> |-<br /> | Brajer, Mirta || || || 25.03. || 28.03. || 31.03. || Mezek, Tajda || Žerovnik, Klara || Jeromelj, Tonja<br /> |-<br /> | Kastelic, Gal || || || 25.03. || 28.03. || 31.03. || Auer, Špela || Zupanc, Lara || Poljanšek, Aleš<br /> |-<br /> | Malik, Lara || || || 25.03. || 28.03. || 31.03. || Mikoš, Ula || Petrov, Mario || Vogrič, Vanja<br /> |-<br /> | Novel, Matija || || || 25.03. || 28.03. || 31.03. || Mužič, Taja || Trobiš, Veronika || Vranješ, Tin<br /> |-<br /> | Petrovič, Filip || || || 25.03. || 28.03. || 31.03. || Rajterič, Lara || Velkovska, Tamara || Agrež, Tim-David<br /> |-<br /> | Kolenc, Klara || || || 01.04. || 04.04. || 07.04. || Simonič, Laura || Fink, Luka || Bunc, Zara<br /> |-<br /> | Koren, Žiga || || || 01.04. || 04.04. || 07.04. || Kristanc, Pia || Kogoj, Lena || Pucihar, Samo<br /> |-<br /> | Matek, Nik || || || 01.04. || 04.04. || 07.04. || Lah, Urša || Korošec, Tinkara || Kovaček, Lucija<br /> |-<br /> | Trost, Teo || || || 01.04. || 04.04. || 07.04. || Mohar, Teja || Krašna, Deni || Stojić, Ivana<br /> |-<br /> | Varlamov, Mark || || || 01.04. || 04.04. || 07.04. || Tušek, Marcel || Mezek, Tajda || Trajković, Miljan<br /> |-<br /> | Justin, Klemen || || || 08.04. || 11.04. || 14.04. || Brajer, Mirta || Auer, Špela || Žerovnik, Klara<br /> |-<br /> | Kresal, Martin || || || 08.04. || 11.04. || 14.04. || Kastelic, Gal || Mikoš, Ula || Zupanc, Lara<br /> |-<br /> | Pečovnik Wutt, Naja || || || 08.04. || 11.04. || 14.04. || Malik, Lara || Mužič, Taja || Petrov, Mario<br /> |-<br /> | Pojbič, Taja || || || 08.04. || 11.04. || 14.04. || Novel, Matija || Rajterič, Lara || Trobiš, Veronika<br /> |-<br /> | Trček, Laura || || || 08.04. || 11.04. || 14.04. || Petrovič, Filip || Simonič, Laura || Velkovska, Tamara<br /> |-<br /> | Bernik, Miha || || || 15.04. || 18.04. || 21.04. || Kolenc, Klara || Kristanc, Pia || Fink, Luka<br /> |-<br /> | Jeromelj, Tonja || || || 15.04. || 18.04. || 21.04. || Koren, Žiga || Lah, Urša || Kogoj, Lena<br /> |-<br /> | Poljanšek, Aleš || || || 15.04. || 18.04. || 21.04. || Matek, Nik || Mohar, Teja || Korošec, Tinkara<br /> |-<br /> | Vogrič, Vanja || || || 15.04. || 18.04. || 21.04. || Trost, Teo || Tušek, Marcel || Krašna, Deni<br /> |-<br /> | Vranješ, Tin || || || 15.04. || 18.04. || 21.04. || Varlamov, Mark || Brajer, Mirta || Mezek, Tajda<br /> |-<br /> | Agrež, Tim-David || || || 22.04. || 25.04. || 28.04. || Justin, Klemen || Kastelic, Gal || Auer, Špela<br /> |-<br /> | Bunc, Zara || || || 22.04. || 25.04. || 28.04. || Kresal, Martin || Malik, Lara || Mikoš, Ula<br /> |-<br /> | Pucihar, Samo || || || 22.04. || 25.04. || 28.04. || Pečovnik Wutt, Naja || Novel, Matija || Mužič, Taja<br /> |-<br /> | Dehondt, Johan || || || 22.04. || 25.04. || 28.04. || || || <br /> |-<br /> | Vitard, Arthur || || || 22.04. || 25.04. || 28.04. || || || <br /> |-<br /> | Kovaček, Lucija || || || 29.04. || 02.05. || 05.05. || Pojbič, Taja || Petrovič, Filip || Rajterič, Lara<br /> |-<br /> | Stojić, Ivana || || || 29.04. || 02.05. || 05.05. || Trček, Laura || Kolenc, Klara || Simonič, Laura<br /> |-<br /> | Trajković, Miljan || || || 29.04. || 02.05. || 05.05. || Bernik, Miha || Koren, Žiga || Kristanc, Pia<br /> |-<br /> | Žerovnik, Klara || || || 29.04. || 02.05. || 05.05. || Jeromelj, Tonja || Matek, Nik || Lah, Urša<br /> |-<br /> | Zupanc, Lara || || || 29.04. || 02.05. || 05.05. || Poljanšek, Aleš || Trost, Teo || Mohar, Teja<br /> |-<br /> | Petrov, Mario || || || 06.05. || 09.05. || 12.05. || Vogrič, Vanja || Varlamov, Mark || Tušek, Marcel<br /> |-<br /> | Trobiš, Veronika || || || 06.05. || 09.05. || 12.05. || Vranješ, Tin || Justin, Klemen || Brajer, Mirta<br /> |-<br /> | Velkovska, Tamara || || || 06.05. || 09.05. || 12.05. || Agrež, Tim-David || Kresal, Martin || Kastelic, Gal<br /> |}<br /> <br /> ==Naloga==<br /> * samostojno pripraviti seminar, katerega tema je novica iz področja biokemije na portalu [http://www.sciencedaily.com ScienceDaily], ki je bila objavljena kasneje kot '''1. avgusta 2021'''. Osnova za seminar naj bo znanstveni članek, ki je podlaga za to novico. Poleg tega članka za seminar uporabite še najmanj pet drugih virov, od teh vsaj še dva druga znanstvena članka, ki se navezujeta na to vsebino. <br /> * članke na temo lahko iščete [https://scholar.google.com/ z Google učenjakom].<br /> * naslov izbrane teme (naslov seminarja v slovenščini) in povezavo do novice vpišite v tabelo seminarjev takoj ko ste si izbrali temo, najkasneje pa en teden pred rokom za oddajo <br /> * [[TBK2021 Povzetki seminarjev|Povzetek seminarja]] opišete na wikiju v približno 200 besedah – najkasneje do dne, ko morate oddati seminar recenzentom. <br /> * Povezavo do povzetka vnesete v tabelo seminarjev tekočega letnika.<br /> * Seminar pripravite v obliki seminarske naloge (pisava Cambria, font 11, enojni razmak, 2,5 cm robovi; tekst naj obsega okoli 1000 besed), vsebuje naj 1–2 sliki. Slika mora imeti legendo in v besedilu mora biti na ustreznem mestu sklic na sliko. Vse uporabljene vire citirajte v tekstu, kot npr. (Nobel, 2010), na koncu pa navedite točen seznam literature, kot je opisano spodaj!<br /> *Celotni seminar naj obsega 2 strani A4 formata (po možnosti dvostransko tiskanje).<br /> * Seminar oddajte do datuma oddaje, ki je naveden v tabeli v elektronski obliki z uporabo [http://bio.ijs.si/~zajec/tbk/poslji/ tega obrazca].<br /> * vsi seminarji so v elektronski obliki dostopni [http://bio.ijs.si/~zajec/tbk/poslji//bioseminar/ tukaj].<br /> * Recenzenti do dneva določenega v tabeli določijo popravke in podajo oceno pisnega dela, v predpisanem formatu elektronskega obrazca na internetu.<br /> * Ustna predstavitev sledi na dan, ki je vpisan v tabeli. Za predstavitev je na voljo 10 minut. Recenzenti morajo biti na predstavitvi prisotni. Prvi recenzent vodi predstavitve in razpravo ter skrbi za to, da vse poteka v zastavljenih časovnih okvirih.<br /> * Predstavitvi sledi razprava do 5 minut. Sledijo vprašanja prisotnih, recenzenti postavijo vsak vsaj dve vprašanji in na koncu podajo oceno predstavitve.<br /> * En dan pred predstavitvijo na strežnik oddajte tudi končno verzijo. Na dan predstavitve morate oddati tudi končno (popravljeno) in natisnjeno verzijo seminarja v enem izvodu.<br /> * Seminarska naloga in povzetek na wikiju morajo biti v slovenskem jeziku!<br /> <br /> ==&lt;font color=green&gt;Imena datotek&lt;/font&gt;==<br /> Prosim vas, da vse datoteke, ki jih pošiljate, poimenujete po spodnjih pravilih. Ne uporabljajte ČŽŠčžš!<br /> Poslati morate naslednje datoteke:<br /> * TBK_2022_Priimek_Ime.doc(x) za seminar, npr. TBK_2022_Guncar_Gregor.docx<br /> * TBK_2022_Priimek_ime_final.doc(x) za končno verzijo seminarja<br /> * TBK_2022_Priimek_Ime_rec_Priimek2.doc(x) za recenzijo, kjer je Priimek2 priimek recenzenta, npr. TBK_2022_Guncar_Gregor_rec_Scott.docx (če se pišete Scott in odajate recenzijo za seminar, ki ga je napisal Gunčar)<br /> * TBK_2022_Priimek_Ime.pdf za prezentacijo (PowerPoint -&gt; Shrani kot PDF), npr TBK_2022_Guncar_Gregor.pdf<br /> * TBK_2022_Priimek_Ime_clanek.pdf za datoteko PDF, ki vsebuje izvirni članek, npr. TBK_2022_Guncar_Gregor_clanek.pdf<br /> <br /> ==Ocenjevanje seminarjev==<br /> Recenzenti ocenijo seminar tako, da izpolnijo [https://forms.office.com/r/8i5ma9ZvQZ recenzentsko poročilo] na spletu.<br /> <br /> == Mnenje o predstavitvi ==<br /> Vsak posameznik '''mora''' oceniti seminar tako, da odda svoje [https://forms.office.com/r/LvF8vvL7mT mnenje] najkasneje v enem tednu po predstavitvi. Kdor na seminarju ni bil prisoten, mnenja '''ne sme''' oddati.<br /> <br /> ==Urejanje spletnih strani na wikiju==<br /> Wiki so razvili zato, da lahko spletne vsebine ureja vsakdo. Ukazi so preprosti, dokler si ne zamislite česa prav posebnega. Vseeno pa je Word v primerjavi z wikijem pravo čudežno orodje... Če imate težave z oblikovanjem besedila, si preberite poglavje o urejanju wiki-strani na Wikipediji ([http://en.wikipedia.org/wiki/Help:Editing tule] v angleščini in [http://sl.wikipedia.org/wiki/Wikipedija:Urejanje_strani tu] v slovenščini). Pomaga tudi, če pogledate, kako je zapisana kakšna stran, ki se vam zdi v redu: kliknite na zavihek 'Uredite stran' in si poglejte, kako so vpisane povezave, kako nov odstavek in podobno. ''Na koncu seveda pod oknom za urejanje kliknite na 'Prekliči'.''<br /> <br /> ==Faktor vpliva==<br /> Faktor vpliva (angl. impact factor) neke revije pove, kolikokrat so bili v poprečju citirani članki v tej reviji v dveh letih skupaj pred objavo tega faktorja. Faktorje vpliva za posamezno revijo lahko najdete v [https://plus.si.cobiss.net/opac7/jcr COBISS-u]. V polje &quot;Naslov revije&quot; vnesite ime revije, za katero želite izvedeti faktor vpliva, in pritisnite na gumb POIŠČI. Če želite videti vse revije, enostavno v iskalno polje vpišite *. V skrajnem desnem stolpcu se bodo izpisali faktorji vpliva za revije, ki ustrezajo vašim iskalnim kriterijem. Zadetkov za posamezno revijo je več zato, ker so navedeni faktorji vpliva za posamezno leto. Za tekoče leto faktorji vpliva še niso objavljeni, zato se orientirajte po faktorjih vpliva zadnjih par let. Če faktorja vpliva za vašo izbrano revijo ne najdete v bazi COBISS, potem izberite članek iz kakšne druge revije.<br /> <br /> ==Citiranje virov==<br /> Citiranje je možno po več shemah, važno je, da se v seminarju držite ene same. Temeljno načelo je, da je treba vir navesti na tak način, da ga je mogoče nedvoumno poiskati. Sicer pa ima vsaka revija lahko svoj način citiranja, ki ga je treba pri pisanju članka upoštevati.&lt;br&gt;'''Citiranje knjig:'''&lt;br&gt;Priimek, I. ''Naslov''. Kraj: Založba, letnica.&lt;br&gt;Priimek, I. ''Naslov: podnaslov''. Izdaja. Kraj: Založba, letnica. Zbirka, številka. ISBN.&lt;br&gt;Boyer, R. ''Temelji biokemije''. Ljubljana: Študentska založba, 2005.&lt;br&gt;Glick BR in Pasternak JJ. ''Molecular biotechnology: principles and applications of recombinant DNA''. 3. izdaja. Washington: ASM Press, 2003. ISBN 1-55581-269-4.&lt;br&gt;Če so avtorji trije, je beseda in med drugim in tretjim avtorjem. Če so avtorji več kot trije, napišemo samo prvega in dopišemo ''et al''. (in drugi, po latinsko). Vse, kar je latinsko, pišemo poševno (npr. tudi imena rastlin in živali, pojme ''in vivo'', ''in vitro'' ipd.). &lt;br&gt;'''Citiranje člankov:'''&lt;br&gt;Priimek, I. Naslov. ''Naslov revije'', letnica, letnik, številka, strani.&lt;br&gt;Lartigue C. ''et al''. Genome transplantation in bacteria: changing one species to another. ''Science'', 2007, letn. 317, str. 632-638.Alternativni način citiranja (predvsem v družboslovju) je po pravilih APA, kjer članke citirajo takole:&lt;br&gt;Priimek, I. (letnica, številka). Naslov. Naslov revije, strani.&lt;br&gt;Lartigue C. ''et al.'' (2007, 317) Genome transplantation in bacteria: changing one species to another. ''Science'', 632-638.Revija Science uporablja skrajšani zapis:&lt;br&gt;C. Lartigue ''et al''. Science 317, 632 (2007)&lt;br&gt;V diplomah na FKKT je treba navesti vire tako, da izpišete tudi naslov citiranega dela in strani od-do (ne samo začetne).&lt;br&gt;'''Citiranje spletnih virov:'''&lt;br&gt;Priimek, I. ''Naslov dokumenta''. Izdaja. Kraj: Založnik, letnica. Datum zadnjega popravljanja. [Datum citiranja.] spletni naslov&lt;br&gt;strangeguitars. ''On the brink of artificial life''. 6. 10. 2007. [citirano 13. 11. 2007] http://www.metafilter.com/65331/On-the-brink-of-artificial-life&lt;br&gt;Navedemo čim več podatkov; pogosto vseh iz pravila ne boste našli.</div>

Tinkarakorosec https://wiki.fkkt.uni-lj.si/index.php?title=Temelji_biokemije_2023_-_seminar&diff=19691 2022-02-24T13:39:44Z

<p>Tinkarakorosec: </p> <hr /> <div>Seminarje vodi doc. dr. Miha Pavšič. Seminarji so obvezni.<br /> <br /> Ocena seminarjev (6-10) predstavlja enako število odstotkov, ki se prišteje h končni pisni oceni izpita. <br /> Stran na strežniku s seminarskimi nalogami je zaščitena.<br /> Uporabniško ime je: tbk, password pa: samozame## &quot;##&quot; sta dve številki, ki ju izveste na predavanjih.<br /> Tudi za urejanje Wiki strani potrebujete geslo, ki se od zgornjega razlikuje. Postopek pridobitve Wiki uporabniškega imena in gesla je opisan [http://wiki.fkkt.uni-lj.si/index.php/Main_Page tukaj].<br /> <br /> == Seznam seminarjev ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> ! Priimek in ime !! Naslov seminarja !! Povezava !! Rok za oddajo !! Rok za recenzijo !! Datum predstavitve !! Recenzent 1 !! Recenzent 2 !! Recenzent 3<br /> |-<br /> | Fink, Luka ||, || https://www.sciencedaily.com/releases/2019/02/190214100038.htm || 04.03. || 07.03. || 10.03. || Pucihar, Samo || Pečovnik Wutt, Naja || Malik, Lara<br /> |-<br /> | Kogoj, Lena || || || 04.03. || 07.03. || 10.03. || Kovaček, Lucija || Pojbič, Taja || Novel, Matija<br /> |-<br /> | Korošec, Tinkara || How superbugs uses mirror images to create antibiotic resistance || https://www.sciencedaily.com/releases/2022/02/220217181730.htm || 04.03. || 07.03. || 10.03. || Stojić, Ivana || Trček, Laura || Petrovič, Filip<br /> |-<br /> | Krašna, Deni || || || 04.03. || 07.03. || 10.03. || Trajković, Miljan || Bernik, Miha || Kolenc, Klara<br /> |-<br /> | Mezek, Tajda || || || 04.03. || 07.03. || 10.03. || Zupanc, Lara || Jeromelj, Tonja || Koren, Žiga<br /> |-<br /> | Auer, Špela || || || 11.03. || 14.03. || 17.03. || Žerovnik, Klara || Poljanšek, Aleš || Matek, Nik<br /> |-<br /> | Mikoš, Ula || || || 11.03. || 14.03. || 17.03. || Petrov, Mario || Vogrič, Vanja || Trost, Teo<br /> |-<br /> | Mužič, Taja || || || 11.03. || 14.03. || 17.03. || Trobiš, Veronika || Vranješ, Tin || Varlamov, Mark<br /> |-<br /> | Rajterič, Lara || || || 11.03. || 14.03. || 17.03. || Velkovska, Tamara || Agrež, Tim-David || Justin, Klemen<br /> |-<br /> | Simonič, Laura || || || 11.03. || 14.03. || 17.03. || Fink, Luka || Bunc, Zara || Kresal, Martin<br /> |-<br /> | Kristanc, Pia || || || 18.03. || 21.03. || 24.03. || Kogoj, Lena || Pucihar, Samo || Pečovnik Wutt, Naja<br /> |-<br /> | Lah, Urša || || || 18.03. || 21.03. || 24.03. || Korošec, Tinkara || Kovaček, Lucija || Pojbič, Taja<br /> |-<br /> | Lipušček, Tina || || || 18.03. || 21.03. || 24.03. || Krašna, Deni || Stojić, Ivana || Trček, Laura<br /> |-<br /> | Mohar, Teja || || || 18.03. || 21.03. || 24.03. || Mezek, Tajda || Trajković, Miljan || Bernik, Miha<br /> |-<br /> | Tušek, Marcel || || || 18.03. || 21.03. || 24.03. || Auer, Špela || Zupanc, Lara || Jeromelj, Tonja<br /> |-<br /> | Brajer, Mirta || || || 25.03. || 28.03. || 31.03. || Mikoš, Ula || Žerovnik, Klara || Poljanšek, Aleš<br /> |-<br /> | Kastelic, Gal || || || 25.03. || 28.03. || 31.03. || Mužič, Taja || Petrov, Mario || Vogrič, Vanja<br /> |-<br /> | Malik, Lara || || || 25.03. || 28.03. || 31.03. || Rajterič, Lara || Trobiš, Veronika || Vranješ, Tin<br /> |-<br /> | Novel, Matija || || || 25.03. || 28.03. || 31.03. || Simonič, Laura || Velkovska, Tamara || Agrež, Tim-David<br /> |-<br /> | Petrovič, Filip || || || 25.03. || 28.03. || 31.03. || Kristanc, Pia || Fink, Luka || Bunc, Zara<br /> |-<br /> | Kolenc, Klara || || || 01.04. || 04.04. || 07.04. || Lah, Urša || Kogoj, Lena || Pucihar, Samo<br /> |-<br /> | Koren, Žiga || || || 01.04. || 04.04. || 07.04. || Lipušček, Tina || Korošec, Tinkara || Kovaček, Lucija<br /> |-<br /> | Matek, Nik || || || 01.04. || 04.04. || 07.04. || Mohar, Teja || Krašna, Deni || Stojić, Ivana<br /> |-<br /> | Trost, Teo || || || 01.04. || 04.04. || 07.04. || Tušek, Marcel || Mezek, Tajda || Trajković, Miljan<br /> |-<br /> | Varlamov, Mark || || || 01.04. || 04.04. || 07.04. || Brajer, Mirta || Auer, Špela || Zupanc, Lara<br /> |-<br /> | Justin, Klemen || SARS-CoV-2 protein targeted by immune cells also triggersresponse in bat coronaviruses || https://www.sciencedaily.com/releases/2022/02/220216121828.htm || 08.04. || 11.04. || 14.04. || Kastelic, Gal || Mikoš, Ula || Žerovnik, Klara<br /> |-<br /> | Kresal, Martin || || || 08.04. || 11.04. || 14.04. || Malik, Lara || Mužič, Taja || Petrov, Mario<br /> |-<br /> | Pečovnik Wutt, Naja || || || 08.04. || 11.04. || 14.04. || Novel, Matija || Rajterič, Lara || Trobiš, Veronika<br /> |-<br /> | Pojbič, Taja || || || 08.04. || 11.04. || 14.04. || Petrovič, Filip || Simonič, Laura || Velkovska, Tamara<br /> |-<br /> | Trček, Laura || || || 08.04. || 11.04. || 14.04. || Kolenc, Klara || Kristanc, Pia || Fink, Luka<br /> |-<br /> | Bernik, Miha || || || 15.04. || 18.04. || 21.04. || Koren, Žiga || Lah, Urša || Kogoj, Lena<br /> |-<br /> | Jeromelj, Tonja || || || 15.04. || 18.04. || 21.04. || Matek, Nik || Lipušček, Tina || Korošec, Tinkara<br /> |-<br /> | Poljanšek, Aleš || || || 15.04. || 18.04. || 21.04. || Trost, Teo || Mohar, Teja || Krašna, Deni<br /> |-<br /> | Vogrič, Vanja || || || 15.04. || 18.04. || 21.04. || Varlamov, Mark || Tušek, Marcel || Mezek, Tajda<br /> |-<br /> | Vranješ, Tin || || || 15.04. || 18.04. || 21.04. || Justin, Klemen || Brajer, Mirta || Auer, Špela<br /> |-<br /> | Agrež, Tim-David || || || 22.04. || 25.04. || 28.04. || Kresal, Martin || Kastelic, Gal || Mikoš, Ula<br /> |-<br /> | Bunc, Zara || || || 22.04. || 25.04. || 28.04. || Pečovnik Wutt, Naja || Malik, Lara || Mužič, Taja<br /> |-<br /> | Pucihar, Samo || || || 22.04. || 25.04. || 28.04. || Pojbič, Taja || Novel, Matija || Rajterič, Lara<br /> |-<br /> | Vitard, Arthur || || || 22.04. || 25.04. || 28.04. || || || <br /> |-<br /> | Kovaček, Lucija || || || 29.04. || 02.05. || 05.05. || Trček, Laura || Petrovič, Filip || Simonič, Laura<br /> |-<br /> | Stojić, Ivana || || || 29.04. || 02.05. || 05.05. || Bernik, Miha || Kolenc, Klara || Kristanc, Pia<br /> |-<br /> | Trajković, Miljan || || || 29.04. || 02.05. || 05.05. || Jeromelj, Tonja || Koren, Žiga || Lah, Urša<br /> |-<br /> | Žerovnik, Klara || || || 29.04. || 02.05. || 05.05. || Poljanšek, Aleš || Matek, Nik || Lipušček, Tina<br /> |-<br /> | Zupanc, Lara || || || 29.04. || 02.05. || 05.05. || Vogrič, Vanja || Trost, Teo || Mohar, Teja<br /> |-<br /> | Petrov, Mario || || || 06.05. || 09.05. || 12.05. || Vranješ, Tin || Varlamov, Mark || Tušek, Marcel<br /> |-<br /> | Trobiš, Veronika || || || 06.05. || 09.05. || 12.05. || Agrež, Tim-David || Justin, Klemen || Brajer, Mirta<br /> |-<br /> | Velkovska, Tamara || || || 06.05. || 09.05. || 12.05. || Bunc, Zara || Kresal, Martin || Kastelic, Gal<br /> |}<br /> <br /> ==Naloga==<br /> * samostojno pripraviti seminar, katerega tema je novica iz področja biokemije na portalu [http://www.sciencedaily.com ScienceDaily], ki je bila objavljena kasneje kot '''1. avgusta 2021'''. Osnova za seminar naj bo znanstveni članek, ki je podlaga za to novico. Poleg tega članka za seminar uporabite še najmanj pet drugih virov, od teh vsaj še dva druga znanstvena članka, ki se navezujeta na to vsebino. <br /> * članke na temo lahko iščete [https://scholar.google.com/ z Google učenjakom].<br /> * naslov izbrane teme in povezavo do novice vpišite v tabelo seminarjev takoj ko ste si izbrali temo, najkasneje pa en teden pred rokom za oddajo <br /> * [[TBK2021 Povzetki seminarjev|Povzetek seminarja]] opišete na wikiju v približno 200 besedah – najkasneje do dne, ko morate oddati seminar recenzentom. <br /> * Povezavo do povzetka vnesete v tabelo seminarjev tekočega letnika.<br /> * Seminar pripravite v obliki seminarske naloge (pisava Cambria, font 11, enojni razmak, 2,5 cm robovi; tekst naj obsega okoli 1000 besed), vsebuje naj 1–2 sliki. Slika mora imeti legendo in v besedilu mora biti na ustreznem mestu sklic na sliko. Vse uporabljene vire citirajte v tekstu, kot npr. (Nobel, 2010), na koncu pa navedite točen seznam literature, kot je opisano spodaj!<br /> *Celotni seminar naj obsega 2 strani A4 formata (po možnosti dvostransko tiskanje).<br /> * Seminar oddajte do datuma oddaje, ki je naveden v tabeli v elektronski obliki z uporabo [http://bio.ijs.si/~zajec/tbk/poslji/ tega obrazca].<br /> * vsi seminarji so v elektronski obliki dostopni [http://bio.ijs.si/~zajec/tbk/poslji//bioseminar/ tukaj].<br /> * Recenzenti do dneva določenega v tabeli določijo popravke in podajo oceno pisnega dela, v predpisanem formatu elektronskega obrazca na internetu.<br /> * Ustna predstavitev sledi na dan, ki je vpisan v tabeli. Za predstavitev je na voljo 10 minut. Recenzenti morajo biti na predstavitvi prisotni. Prvi recenzent vodi predstavitve in razpravo ter skrbi za to, da vse poteka v zastavljenih časovnih okvirih.<br /> * Predstavitvi sledi razprava do 5 minut. Sledijo vprašanja prisotnih, recenzenti postavijo vsak vsaj dve vprašanji in na koncu podajo oceno predstavitve.<br /> * En dan pred predstavitvijo na strežnik oddajte tudi končno verzijo. Na dan predstavitve morate oddati tudi končno (popravljeno) in natisnjeno verzijo seminarja v enem izvodu.<br /> * Seminarska naloga in povzetek na wikiju morajo biti v slovenskem jeziku!<br /> <br /> ==&lt;font color=green&gt;Imena datotek&lt;/font&gt;==<br /> Prosim vas, da vse datoteke, ki jih pošiljate, poimenujete po spodnjih pravilih. Ne uporabljajte ČŽŠčžš!<br /> Poslati morate naslednje datoteke:<br /> * TBK_2022_Priimek_Ime.doc(x) za seminar, npr. TBK_2022_Guncar_Gregor.docx<br /> * TBK_2022_Priimek_ime_final.doc(x) za končno verzijo seminarja<br /> * TBK_2022_Priimek_Ime_rec_Priimek2.doc(x) za recenzijo, kjer je Priimek2 priimek recenzenta, npr. TBK_2022_Guncar_Gregor_rec_Scott.docx (če se pišete Scott in odajate recenzijo za seminar, ki ga je napisal Gunčar)<br /> * TBK_2022_Priimek_Ime.pdf za prezentacijo (PowerPoint -&gt; Shrani kot PDF), npr TBK_2022_Guncar_Gregor.pdf<br /> * TBK_2022_Priimek_Ime_clanek.pdf za datoteko PDF, ki vsebuje izvirni članek, npr. TBK_2022_Guncar_Gregor_clanek.pdf<br /> <br /> ==Ocenjevanje seminarjev==<br /> Recenzenti ocenijo seminar tako, da izpolnijo [https://forms.office.com/r/8i5ma9ZvQZ recenzentsko poročilo] na spletu.<br /> <br /> == Mnenje o predstavitvi ==<br /> Vsak posameznik '''mora''' oceniti seminar tako, da odda svoje [https://forms.office.com/r/LvF8vvL7mT mnenje] najkasneje v enem tednu po predstavitvi. Kdor na seminarju ni bil prisoten, mnenja '''ne sme''' oddati.<br /> <br /> ==Urejanje spletnih strani na wikiju==<br /> Wiki so razvili zato, da lahko spletne vsebine ureja vsakdo. Ukazi so preprosti, dokler si ne zamislite česa prav posebnega. Vseeno pa je Word v primerjavi z wikijem pravo čudežno orodje... Če imate težave z oblikovanjem besedila, si preberite poglavje o urejanju wiki-strani na Wikipediji ([http://en.wikipedia.org/wiki/Help:Editing tule] v angleščini in [http://sl.wikipedia.org/wiki/Wikipedija:Urejanje_strani tu] v slovenščini). Pomaga tudi, če pogledate, kako je zapisana kakšna stran, ki se vam zdi v redu: kliknite na zavihek 'Uredite stran' in si poglejte, kako so vpisane povezave, kako nov odstavek in podobno. ''Na koncu seveda pod oknom za urejanje kliknite na 'Prekliči'.''<br /> <br /> ==Faktor vpliva==<br /> Faktor vpliva (angl. impact factor) neke revije pove, kolikokrat so bili v poprečju citirani članki v tej reviji v dveh letih skupaj pred objavo tega faktorja. Faktorje vpliva za posamezno revijo lahko najdete v [https://plus.si.cobiss.net/opac7/jcr COBISS-u]. V polje &quot;Naslov revije&quot; vnesite ime revije, za katero želite izvedeti faktor vpliva, in pritisnite na gumb POIŠČI. Če želite videti vse revije, enostavno v iskalno polje vpišite *. V skrajnem desnem stolpcu se bodo izpisali faktorji vpliva za revije, ki ustrezajo vašim iskalnim kriterijem. Zadetkov za posamezno revijo je več zato, ker so navedeni faktorji vpliva za posamezno leto. Za tekoče leto faktorji vpliva še niso objavljeni, zato se orientirajte po faktorjih vpliva zadnjih par let. Če faktorja vpliva za vašo izbrano revijo ne najdete v bazi COBISS, potem izberite članek iz kakšne druge revije.<br /> <br /> ==Citiranje virov==<br /> Citiranje je možno po več shemah, važno je, da se v seminarju držite ene same. Temeljno načelo je, da je treba vir navesti na tak način, da ga je mogoče nedvoumno poiskati. Sicer pa ima vsaka revija lahko svoj način citiranja, ki ga je treba pri pisanju članka upoštevati.&lt;br&gt;'''Citiranje knjig:'''&lt;br&gt;Priimek, I. ''Naslov''. Kraj: Založba, letnica.&lt;br&gt;Priimek, I. ''Naslov: podnaslov''. Izdaja. Kraj: Založba, letnica. Zbirka, številka. ISBN.&lt;br&gt;Boyer, R. ''Temelji biokemije''. Ljubljana: Študentska založba, 2005.&lt;br&gt;Glick BR in Pasternak JJ. ''Molecular biotechnology: principles and applications of recombinant DNA''. 3. izdaja. Washington: ASM Press, 2003. ISBN 1-55581-269-4.&lt;br&gt;Če so avtorji trije, je beseda in med drugim in tretjim avtorjem. Če so avtorji več kot trije, napišemo samo prvega in dopišemo ''et al''. (in drugi, po latinsko). Vse, kar je latinsko, pišemo poševno (npr. tudi imena rastlin in živali, pojme ''in vivo'', ''in vitro'' ipd.). &lt;br&gt;'''Citiranje člankov:'''&lt;br&gt;Priimek, I. Naslov. ''Naslov revije'', letnica, letnik, številka, strani.&lt;br&gt;Lartigue C. ''et al''. Genome transplantation in bacteria: changing one species to another. ''Science'', 2007, letn. 317, str. 632-638.Alternativni način citiranja (predvsem v družboslovju) je po pravilih APA, kjer članke citirajo takole:&lt;br&gt;Priimek, I. (letnica, številka). Naslov. Naslov revije, strani.&lt;br&gt;Lartigue C. ''et al.'' (2007, 317) Genome transplantation in bacteria: changing one species to another. ''Science'', 632-638.Revija Science uporablja skrajšani zapis:&lt;br&gt;C. Lartigue ''et al''. Science 317, 632 (2007)&lt;br&gt;V diplomah na FKKT je treba navesti vire tako, da izpišete tudi naslov citiranega dela in strani od-do (ne samo začetne).&lt;br&gt;'''Citiranje spletnih virov:'''&lt;br&gt;Priimek, I. ''Naslov dokumenta''. Izdaja. Kraj: Založnik, letnica. Datum zadnjega popravljanja. [Datum citiranja.] spletni naslov&lt;br&gt;strangeguitars. ''On the brink of artificial life''. 6. 10. 2007. [citirano 13. 11. 2007] http://www.metafilter.com/65331/On-the-brink-of-artificial-life&lt;br&gt;Navedemo čim več podatkov; pogosto vseh iz pravila ne boste našli.</div>

Tinkarakorosec