هدف از این درس آشنایی دانشجویان با مباحث پیشرفته‌تر الگوریتم‌های بیوانفورماتیک است. انتظار می‌رود دانشجویان در درس مقدمه‌ای بر بیوانفورماتیک، آشنایی مقدماتی با الگوریتم‌های بیوانفورماتیک پیدا کرده‌باشند. هدف از این درس، تقویت و عمق بخشیدن به دانش الگوریتمی دانشجویان است.

• داده‌ساختارهای پیشرفته‌ (۳ جلسه)
  • درخت پسوندی (Suffix Trees)
  • Bloom Filter
  • داده‌ساختارهای Dynamic Range Minimum Query
  • Burrows Wheeler Transform
  • BWT دوسویه
  • BWT برای درخت‌های برچسب‌دار، DAG و گراف اسمبلی De Bruijn
  • کاربردهای BWT در برهم‌نهی خوانش‌های تکی و جفتی ژنومی
• الگوریتم‌های شار بیشینه (۳ جلسه)
  • مسئله‌ی تطابق گراف‌های دوبخشی
  • الگوریتم‌های شار بیشینه روی شبکه
  • شار بیشینه با کم‌ترین هزینه
• الگوریتم‌های تقریبی (۴ جلسه)
  • برهم‌نهی چندگانه توالی‌ها
  • بازآرایش ژنوم (Genome Rearrangement)
• الگوریتم‌های تقریب همسایگی (۳ جلسه)
  • Locality Sensitive Hashing
  • Minimizers
  • کاربردهای LSH و Minimizers در تحلیل داده‌های ژنومیک
• الگوریتم‌های برنامه‌ریزی خطی و صحیح (۴ جلسه)
  • برنامه‌ریزی خطی
  • مسئله پریمال - دوال
  • برنامه‌ریزی خطی و صحیح
  • تحلیل داده‌های متابولوم با استفاده از Flux Balance Analysis
• تحلیل ژنوم (۴ جلسه)
  • برهم‌نهی دو یا چند ژنوم (Genome Alignment)
  • مقایسه‌ی چند ژنوم بدون برهم‌نهی
  • فشرده‌سازی ژنوم
• تحلیل ترانسکریپتوم (۲ جلسه)
  • استفاده از BWT دوسطحی برای برهم‌نهی خوانش‌های RNA
  • یافتن Exon Junction‌ها
  • کمی‌ساختن بیان ژن و یافتن ژن‌های با تفاوت بیان
• تحلیل پروتئوم (۳ جلسه)
  • آشنایی با طیف‌سنجی جرمی
  • مدل‌سازی قطعات طیف‌سنجی جرمی
  • دنباله‌یابی پپتید‌ها با روش De Novo با استفاده از برنامه‌سازی پویا و روش‌های مبتنی بر گراف
  • جستجوی پپتید در داده‌پایگاه‌ها
• تحلیل متاژنوم (۳ جلسه)
  • تقریب میزان هر گونه (Species Approximation)
  • خوشه‌بندی خوانش‌ها
  • مقایسه‌ی نمونه‌های متاژنوم