<link rel="stylesheet" href="styles.cf390c6bfbe7555f.css">

學術出版;;Publications

Permanent URI for this communityhdl:11536/1

收集所有交通大學研究人員與學生個人或團體所發表之各項學術著作，涵蓋期刊論文、教師專書、學位論文等項。;;Collections of Publications of NCTU Researchers and Students Like Journal Papers and Thesis.

Browse

🏛️國立陽明交通大學機構典藏

Subject: search.filters.subject.Bioinformatics

Search Results

Now showing 1 - 10 of 11
  • Thumbnail Image
    Item type:Item,
    開發生物資訊新工具去探索RNA病毒序列、結構、功能與演化---以流感病毒與腸病毒為應用模型---含有假結的RNA二級結構預測與其在偵測程序性核糖體移碼基因的應用
    (2008)
    盧錦隆
    ;
    LU CHIN LUNG
    ;
    國立交通大學生物科技學系(所)
    幾乎在所有自然存在的RNA結構中皆可發現所謂的假結(Pseudoknot)，其在各種的生物反應中如RNA的複製、轉錄與轉譯等等扮演著非常重要的角色。例如他們可以擔任程序性核糖體移碼(Programmed Ribosomal Frameshifting)的刺激物。所謂的程序性核糖體移碼乃是一種重新編碼(Recoding)的機制，而且經常在很多的RNA病毒(如SARS冠狀病毒)上被發現。病毒藉由這個機制，可讓正在進行轉譯的核糖體在某一個特定的位置上從原來的讀碼框(Open Reading Frame)切換到新的讀碼框(如-1或+1讀碼框，其中切換到-1讀碼框者佔大多數)，結果產生另一個新的蛋白質，其不同於原來不發生移碼時所產生的蛋白質。據文獻的報導對於利用此機制的病毒，即便很小地改變其移碼效率就可以抑制其繁殖，這意味著程序性核糖體移碼位置可充當抗病毒藥劑的標的。目前為止，被發現的RNA假結大多數是所謂的H型結構，基本上它是一個髮夾(Hairpin)的結構，其中在髮夾迴圈(Hairpin Loop)的核苷酸會和髮夾外面的核苷酸配對並形成一個靠近或非常靠近髮夾的螺旋主幹(Helical Stem)。事實上，較複雜的H型假結也曾被發現，比如說在SARS冠狀病毒上擔任程序性核糖體移碼刺激物的假結就比平常的H型假結多出一個主幹出來。因此，預測這些H型甚至更複雜的假結結構將有助於我們對RNA結構與其功能的了解。在一般標準的熱動力模型(Thermodynamic Model)上，不含假結的最小自由能量(Minimum Free Energy)的RNA二級結構是可以在多項式時間(Polynomial Time)內被計算出來。然而，要去計算含有假結的最小自由能量的RNA二級結構便變成了一件非常困難的事情，因為它已被證明出是件NP-hard的問題。目前已有許多的多項式時間的演算法被設計出來可以用來計算出含有特定型態的假結(如H型假結)的最小自由能量的RNA二級結構。然而，這些演算法的時間與空間(即記憶體)複雜度仍非常的高，故尚不能實際地被拿來處理較長甚至大型的RNA序列。除此之外，這些演算法也不見得能夠偵測出在一條長的RNA序列中所含的H型假結。過去，我們已經提出一個啟發式(Heuristic)的方法可以改進這些演算法去預測H型的假結，同時也把它應用到-1和+1型程序性核糖體移碼的偵測。然而，這個啟發式方法仍有很多可以再被改進與增強的地方，比如說降低其執行時間與所需記憶體的複雜度、增強使其能處理大型序列的能力、改進其預測的準確度、增強使其能夠去預測較複雜的RNA假結結構與偵測其它型態的程序性核糖體移碼(如-2與+2型的程序性核糖體移碼)。在這個子計劃中，我們主要的目的是利用比較基因體學、結構生物資訊學與功能生物資訊學的方法去發展出新的演算法與啟發式方法來進行上述的改良與增強，同時也將去發展出含有假結的RNA二級結構資料庫與程序性核糖體移碼的資料庫。因此，為了完成這些目標我們需要和其他的子計劃成員一起合作，因為他們能夠提供給我們一些在他們研究領域上的專業知識與技術，以及一些在他們子計劃中預期能夠發展出來的相關程式。同時，我們子計劃發展出來的程式與資料庫也能夠幫助其他子計劃成員去研究RNA病毒，例如流行感冒病毒與腸病毒等，並進一步地去探討這些RNA病毒的序列、結構、功能與演化的關係。
  • Thumbnail Image
    Item type:Item,
    從微陣列資料中建立基因網路來識別生物標記
    (2008)
    黃慧玲
    ;
    Hunag Hui-Ling
    ;
    國立交通大學生物科技學系(所)
    生物標記是疾病的標示者，定義為細胞、分子或基因層級的變異樣本。本二年計劃 研究癌症之蛋白質生物標記的識別問題，以便能早期偵測癌症。蛋白質的功能不僅僅是 由其結構來決定，其周遭和有交互作用的蛋白質也參與其中，蛋白質交互網路在探索疾 病的生物信號傳遞路徑上扮演重要角色。隨著微陣列技術的快速發展，從基因表現資料 來建構基因網路，對於揭示基因和蛋白質的功能，以及了解基因之間複雜的關係和交互 作用是很重要的一項技術。 第一年計劃擬提出一個創新的方法從有時間序列的微陣列基因表現資料來建構基 因網路。推論基因網路之建構技術的主要困難在於『高維度困擾』問題，原因來自於微 陣列的基因數目遠大於時間點的取樣數目，造成無法有效決定唯一正確的基因網路。新 近有一套使用演化式演算法的方法iTEA 能夠從多套模擬的基因表現資料求得可描述動 態基因網路的S-system 模型。考量真實的微陣列基因表現資料只有一或少數套可用， 本計劃擬研究之方法(稱之iTEAP)是使用iTEA 加上有雜訊擾亂的多套副本，來克服『高 維度困擾』問題。初步的研究成果顯示iTEAP 表現良好，以SOS DAN E. coli 微陣列基 因表現資料為例，使用一套基因表現資料的效果可達到iTEA 使用二套資料的基因網路 品質。本計劃目標希望能由有限的真實微陣列基因表現資料建構盡可能正確的基因網路 供生物學家進一步的實驗驗證。 第二年計劃擬發展一套可靠的方法，從癌症與非癌症的基因微陣列資料集來識別生 物標記。由於大量基因與少量樣本兩者造成的高自由度搜尋問題，有可能存在眾多的癌 症相關基因的集合，在配合已知訓練資料上具有相同的高正確性，稱之為系統不確定 性。本研究方法擬有效結合二種最新的解決方式來處理系統不確定性問題，分別是基於 分類效能及基因網路差異的二種生物標計識別方法。另外在預先篩選一小集合的最有可 能的候選基因方法中，本計劃擬採用吾人新近發表的方法ESVM，它是結合SVM 分類方法 與多變數因素分析法的一階段基因選擇方法，其效果優於常用的二階段單變數因素分析 法。利用ESVM 與一建構相依基因網路方法所得的生物標記的交互比對，預期能夠找到 一組高信任生物標記的集合。這個方法將使用第一年計劃成果來擴展，希望能從癌症與 非癌症的微陣列時間序列基因表現資料集來識別生物標記，了解到早期正確的癌症偵 測。
  • Thumbnail Image
    Item type:Item,
    開發生物資訊新工具去探索RNA病毒序列、結構、功能與演化---以流感病毒與腸病毒為應用模型-含有假結的RNA二級結構預測與其在偵測程序性核糖體移碼基因的應用
    (2009)
    盧錦隆
    ;
    LU CHIN LUNG
    ;
    國立交通大學生物科技學系(所)
    幾乎在所有自然存在的RNA結構中皆可發現所謂的假結(Pseudoknot)，其在各種的生物反應中如RNA的複製、轉錄與轉譯等等扮演著非常重要的角色。例如他們可以擔任程序性核糖體移碼(Programmed Ribosomal Frameshifting)的刺激物。所謂的程序性核糖體移碼乃是一種重新編碼(Recoding)的機制，而且經常在很多的RNA病毒(如SARS冠狀病毒)上被發現。病毒藉由這個機制，可讓正在進行轉譯的核糖體在某一個特定的位置上從原來的讀碼框(Open Reading Frame)切換到新的讀碼框(如-1或+1讀碼框，其中切換到-1讀碼框者佔大多數)，結果產生另一個新的蛋白質，其不同於原來不發生移碼時所產生的蛋白質。據文獻的報導對於利用此機制的病毒，即便很小地改變其移碼效率就可以抑制其繁殖，這意味著程序性核糖體移碼位置可充當抗病毒藥劑的標的。目前為止，被發現的RNA假結大多數是所謂的H型結構，基本上它是一個髮夾(Hairpin)的結構，其中在髮夾迴圈(Hairpin Loop)的核苷酸會和髮夾外面的核苷酸配對並形成一個靠近或非常靠近髮夾的螺旋主幹(Helical Stem)。事實上，較複雜的H型假結也曾被發現，比如說在SARS冠狀病毒上擔任程序性核糖體移碼刺激物的假結就比平常的H型假結多出一個主幹出來。因此，預測這些H型甚至更複雜的假結結構將有助於我們對RNA結構與其功能的了解。在一般標準的熱動力模型(Thermodynamic Model)上，不含假結的最小自由能量(Minimum Free Energy)的RNA二級結構是可以在多項式時間(Polynomial Time)內被計算出來。然而，要去計算含有假結的最小自由能量的RNA二級結構便變成了一件非常困難的事情，因為它已被證明出是件NP-hard的問題。目前已有許多的多項式時間的演算法被設計出來可以用來計算出含有特定型態的假結(如H型假結)的最小自由能量的RNA二級結構。然而，這些演算法的時間與空間(即記憶體)複雜度仍非常的高，故尚不能實際地被拿來處理較長甚至大型的RNA序列。除此之外，這些演算法也不見得能夠偵測出在一條長的RNA序列中所含的H型假結。過去，我們已經提出一個啟發式(Heuristic)的方法可以改進這些演算法去預測H型的假結，同時也把它應用到-1和+1型程序性核糖體移碼的偵測。然而，這個啟發式方法仍有很多可以再被改進與增強的地方，比如說降低其執行時間與所需記憶體的複雜度、增強使其能處理大型序列的能力、改進其預測的準確度、增強使其能夠去預測較複雜的RNA假結結構與偵測其它型態的程序性核糖體移碼(如-2與+2型的程序性核糖體移碼)。在這個子計劃中，我們主要的目的是利用比較基因體學、結構生物資訊學與功能生物資訊學的方法去發展出新的演算法與啟發式方法來進行上述的改良與增強，同時也將去發展出含有假結的RNA二級結構資料庫與程序性核糖體移碼的資料庫。因此，為了完成這些目標我們需要和其他的子計劃成員一起合作，因為他們能夠提供給我們一些在他們研究領域上的專業知識與技術，以及一些在他們子計劃中預期能夠發展出來的相關程式。同時，我們子計劃發展出來的程式與資料庫也能夠幫助其他子計劃成員去研究RNA病毒，例如流行感冒病毒與腸病毒等，並進一步地去探討這些RNA病毒的序列、結構、功能與演化的關係。
  • Thumbnail Image
    Item type:Item,
  • Thumbnail Image
    Item type:Item,
    開發生物資訊新工具去探索RNA病毒序列、結構、功能與演化---以流感病毒與腸病毒為應用模型---含有假結的RNA二級結構預測與其在偵測程序性核糖體移碼基因的應用
    (2010)
    盧錦隆
    ;
    LU CHIN LUNG
    ;
    國立交通大學生物科技學系（所）
    幾乎在所有自然存在的RNA結構中皆可發現所謂的假結(Pseudoknot)，其在各種的生物反應中如RNA的複製、轉錄與轉譯等等扮演著非常重要的角色。例如他們可以擔任程序性核糖體移碼(Programmed Ribosomal Frameshifting)的刺激物。所謂的程序性核糖體移碼乃是一種重新編碼(Recoding)的機制，而且經常在很多的RNA病毒(如SARS冠狀病毒)上被發現。病毒藉由這個機制，可讓正在進行轉譯的核糖體在某一個特定的位置上從原來的讀碼框(Open Reading Frame)切換到新的讀碼框(如-1或+1讀碼框，其中切換到-1讀碼框者佔大多數)，結果產生另一個新的蛋白質，其不同於原來不發生移碼時所產生的蛋白質。據文獻的報導對於利用此機制的病毒，即便很小地改變其移碼效率就可以抑制其繁殖，這意味著程序性核糖體移碼位置可充當抗病毒藥劑的標的。目前為止，被發現的RNA假結大多數是所謂的H型結構，基本上它是一個髮夾(Hairpin)的結構，其中在髮夾迴圈(Hairpin Loop)的核苷酸會和髮夾外面的核苷酸配對並形成一個靠近或非常靠近髮夾的螺旋主幹(Helical Stem)。事實上，較複雜的H型假結也曾被發現，比如說在SARS冠狀病毒上擔任程序性核糖體移碼刺激物的假結就比平常的H型假結多出一個主幹出來。因此，預測這些H型甚至更複雜的假結結構將有助於我們對RNA結構與其功能的了解。在一般標準的熱動力模型(Thermodynamic Model)上，不含假結的最小自由能量(Minimum Free Energy)的RNA二級結構是可以在多項式時間(Polynomial Time)內被計算出來。然而，要去計算含有假結的最小自由能量的RNA二級結構便變成了一件非常困難的事情，因為它已被證明出是件NP-hard的問題。目前已有許多的多項式時間的演算法被設計出來可以用來計算出含有特定型態的假結(如H型假結)的最小自由能量的RNA二級結構。然而，這些演算法的時間與空間(即記憶體)複雜度仍非常的高，故尚不能實際地被拿來處理較長甚至大型的RNA序列。除此之外，這些演算法也不見得能夠偵測出在一條長的RNA序列中所含的H型假結。過去，我們已經提出一個啟發式(Heuristic)的方法可以改進這些演算法去預測H型的假結，同時也把它應用到-1和+1型程序性核糖體移碼的偵測。然而，這個啟發式方法仍有很多可以再被改進與增強的地方，比如說降低其執行時間與所需記憶體的複雜度、增強使其能處理大型序列的能力、改進其預測的準確度、增強使其能夠去預測較複雜的RNA假結結構與偵測其它型態的程序性核糖體移碼(如-2與+2型的程序性核糖體移碼)。在這個子計劃中，我們主要的目的是利用比較基因體學、結構生物資訊學與功能生物資訊學的方法去發展出新的演算法與啟發式方法來進行上述的改良與增強，同時也將去發展出含有假結的RNA二級結構資料庫與程序性核糖體移碼的資料庫。因此，為了完成這些目標我們需要和其他的子計劃成員一起合作，因為他們能夠提供給我們一些在他們研究領域上的專業知識與技術，以及一些在他們子計劃中預期能夠發展出來的相關程式。同時，我們子計劃發展出來的程式與資料庫也能夠幫助其他子計劃成員去研究RNA病毒，例如流行感冒病毒與腸病毒等，並進一步地去探討這些RNA病毒的序列、結構、功能與演化的關係。
  • Thumbnail Image
    Item type:Item,
    建置新一代高通量定序分析平台---從定序、功能、到系統生物網路---利用次世代定序資料進行基因體重組的研究與結構變異的偵測
    (2011)
    盧錦隆
    ;
    LU CHIN LUNG
    ;
    國立交通大學生物科技學系（所）
    次世代定序(NGS)技術使得基因體的定序愈來愈快也愈來愈便宜，可以預期不久的將來會有許多物種的 基因體被NGS 技術給定序出來。然而目前NGS 技術所定序出來的基因體大都只是由一些前後次序未知 的contigs/scaffolds 所組成的草圖。雖然這些基因體草體可能就已足夠讓科學家進行許多比較基因體的分 析，但卻不能直接被拿來進行基因體重組的研究，因為目前被設計出來的基因體重組演算法需要完整的 基因體資料，基因體裡的每一個染色體皆用基因或標記的次序來表示，才能夠去計算出二個基因體之間 的重組距離。因此如何設計出有效率的基因體重組演算法把前後次序未知的contigs/scaffolds 給組合起來 並正確地計算出組合基因體之間的重組距離，以及如何利用這些重組距離去建構出不同物種之間的演化 關係將是本子計劃的主要研究課題之一。除此之外，本子計劃也將進一步去研究如何偵測出發生在這些 組合基因體上大規模的結構變異，這些結構變異(包含DNA 片斷的插入、刪除、翻轉、移位、區段互 換、易位、融合、分裂等)常與癌症的發生息息相關，因此找出癌症基因體上的結構變異將有助於人類癌 症與其它疾病的診斷與治療，同時也可幫助我們了解基因體在生命演化的過程中是如何成形的。
  • Thumbnail Image
    Item type:Item,
    Prediction of small non-coding RNA in bacterial genomes using support vector machines
    (2010-08-01)
    Chang, Tzu-Hao
    ;
    Wu, Li-Ching
    ;
    Lin, Jun-Hong
    ;
    Huang, Hsien-Da
    ;
    Liu, Baw-Jhiune
    Small non-coding RNA genes have been shown to play important regulatory roles in a variety of cellular processes, but prediction of non-coding RNA genes is a great challenge, using either an experimental or a computational approach, due to the characteristics of sRNAs, which are that sRNAs are small in size, are not translated into proteins and show variable stability. Most known sRNAs have been identified in Escherichia coli and have been shown to be conserved in closely related organisms. We have developed an integrative approach that searches highly conserved intergenic regions among related bacterial genomes for combinations of characteristics that have been extracted from known E. coli sRNA genes. Support vector machines (SVM) were then used with these characteristics to predict novel sRNA genes. (c) 2010 Elsevier Ltd. All rights reserved.
  • Thumbnail Image
    Item type:Item,
    The Relevance of Protein-Ligand Interaction Profiles in Computer-Aided Novel Compound Design and Applications
    (2011-09-01)
    Clinciu, Daniel L.
    ;
    Yang, Jinn-Moon
    ;
    Hsu, Kai-Cheng
    ;
    Lo, Chi-Chun
    ;
    Wallace, Steve
    Advancements in methods and tools used in the solving of crystal structures account for the continuously increasing number of compounds available in databases. Various methods and tools are employed in current bioinformatics to screen, retrieve and analyze lead compounds from databases for drug design and industrial use, bringing marked advantages in terms of reducing the time and cost of studies. However, a pivotal point in lead compounds retrieval is the proper understanding and representation of their binding interactions. In this review we compare current methods used in virtual screening and post screening analysis of lead compounds which employ interaction profiles as a key feature. We also emphasize the use of such methods in mining novel compounds for manufacturing nutritional supplements, cosmetics and other industrial products.
  • Thumbnail Image
    Item type:Item,
    Characterization and prediction of mRNA polyadenylation sites in human genes
    (2011-04-01)
    Chang, Tzu-Hao
    ;
    Wu, Li-Ching
    ;
    Chen, Yu-Ting
    ;
    Huang, Hsien-Da
    ;
    Liu, Baw-Jhiune
    The accurate identification of potential poly(A) sites has contributed to all many studies with regard to alternative polyadenylation. The aim of this study was the development of a machine-learning methodology that will help to discriminate real polyadenylation signals from randomly occurring signals in genomic sequence. Since previous studies have revealed that RNA secondary structure in certain genes has significant impact, the authors tried to computationally pinpoint common structural patterns around the poly(A) sites and to investigate how RNA secondary structure may influence polyadenylation. This involved an initial study on the impact of RNA structure and it was found using motif search tools that hairpin structures might be important. Thus, it was propose that, in addition to the sequence pattern around poly(A) sites, there exists a widespread structural pattern that is also employed during human mRNA polyadenylation. In this study, the authors present a computational model that uses support vector machines to predict human poly(A) sites. The results show that this predictive model has a comparable performance to the current prediction tool. In addition, it was identified common structural patterns associated with polyadenylation using several motif finding programs and this provides new insight into the role of RNA secondary structure plays in polyadenylation.
  • Thumbnail Image
    Item type:Item,
    An expert system to predict protein thermostability using decision tree
    (2009-07-01)
    Wu, Li-Cheng
    ;
    Lee, Jian-Xin
    ;
    Huang, Hsien-Da
    ;
    Liu, Baw-Juine
    ;
    Horng, Jorng-Tzong
    Protein thermostability information is closely linked to commercial production of many biomaterials. Recent developments have shown that amino acid composition, special sequence patterns and hydrogen bonds, disulfide bonds, salt bridges and so on are of considerable importance to thermostability. In this study, we present a system to integrate these various factors that predict protein thermostability. In this study, the features of proteins in the PGTdb are analyzed. We consider both structure and sequence features and correlation coefficients are incorporated into the feature selection algorithm. Machine learning algorithms are then used to develop identification systems and performances between the different algorithms are compared. In this research, two features, (E + F + M + R)/residue and charged/non-charged, are found to be critical to the thermostability of proteins. Although the sequence and structural models achieve a higher accuracy, sequence-only models provides sufficient accuracy for sequence-only thermostability prediction. (C) 2008 Elsevier Ltd. All rights reserved.