麻省理工学院整合癌症研究实验室和教室

更好地识别蛋白质信号存在的癌症,麻省理工学院和哈佛医学院的研究人员,包括Alterovitz,马可·f·Ramoni以撒小羽,试图结合质谱(MS)结果与蛋白质相互作用的知识。数据包括女士特有的高峰和低谷,可以区分分子化合物在样本分析。研究人员需要工具来处理这些数据,构建一个复杂的模型来表示蛋白质相互作用。

“我们必须分析质谱数据,包括数百万数据点,“Alterovitz解释道。“我们也需要相互作用的生物分子网络模型,进行统计计算,以及其他分析这个网络的属性,并把这些与质谱分析结果。”

在这项研究的同时,Alterovitz还发起并指导新课程生物信息学、蛋白质组学:基于工程解决问题的方法。上层本科生以及研究生第一、二学年参加这个班。Alterovitz想规范课程一套工具,使学生受益于正在进行的研究,但是很容易学。

“既然我们已经安排的限制,我们不想浪费时间教学生一门新语言,“Alterovitz解释道。“我们需要一个工具,大多数学生已经熟悉了,和一个由生物学家和工程师都可以学习容易。”

麻省理工学院的研究人员正在使用MathWorks推动生物信息学和蛋白质组学的工具。麻省理工学院的学生都使用相同的工具来获得这些领域的实践经验。

在实验室里

Alterovitz和他的研究小组使用MATLAB^®发展为女士分析数据和模型算法的蛋白质交互网络,由超过20000个节点和100000的边缘。每个网络节点代表了质量与蛋白质有关,和每条边表示节点之间的交互。

研究人员还使用MATLAB可视化数据,阴谋的结果,与其他生物医学研究人员共享和访问数据库。

因为数据类似于女士系列高峰和低谷的声音或声音数据,研究人员可以应用信号处理技术来处理数据。麻省理工学院的研究人员使用信号处理工具箱™女士处理这些数据和应用过滤器来消除噪声和无关的数据,使他们能够专注于一个更易于管理的数据集。

生物信息工具箱™启用团队迅速获得蛋白质的信息从不同的网络资源。该团队使用生物信息学工具计算分子量,得到氨基酸序列以及其他特定的蛋白质的性质,以及下载信息解析为数据结构由MATLAB访问。

麻省理工学院的研究人员使用统计和机器学习工具箱™来计算网络属性,包括连通性和幂律分布。他们用模型计算样品中蛋白质的数量使用统计和机器工具箱简化曲线拟合和产生负二项,γ,指数分布。

集团的研究涉及数百万数据点女士从成百上千的病人。然而,由于每个病人的数据独立,处理信息的任务适合并行化。使用并行计算工具箱™和MATLAB并行服务器™,集团执行并发MATLAB算法在大型集群的计算机。

分析每个病人的数据独立女士在一个不同的处理器。Alterovitz解释说,“除了显著减少计算时间,并行计算工具箱使我们计划很快就这种方法。而不是学习的分布式编程中,我们使用我们现有的MATLAB代码,并使它并行使用并行计算工具箱”。

团队还使用一个分布式网络属性的计算速度和统计方法的网络划分成块和并行运行的任务。

在教室里

生物信息学、蛋白质组学课程,Alterovitz和他的教练选择了用MATLAB对其易用性,与其他工具的互操作性和能力概念在提高抽象的层次。

“大约90%的阶级已经使用MATLAB,“Alterovitz说。“每个人都开始使用MATLAB顿时连那些没有之前的经历,因为你不需要知道如何计划为了使用它。”

此外,MATLAB为学生们提供了一个简单的方法来访问和学习主要研究在麻省理工学院和哈佛大学。

本课程的教学方法是基于精化理论。它涉及使用一组有限的概念和例子,并逐步增加复杂性。Alterovitz解释说,“MATLAB本质上支持不同级别的复杂性,通过不同层次的抽金宝app象。一开始,学生运行代码和可视化的结果。之后,他们可以探索、更新,甚至整合与其他编程语言的代码,添加更多的细节。”

课程也反映这种方法在生物水平。学生们第一次使用MathWorks工具来分析基本DNA序列信息。然后发展到更复杂的表达数据,蛋白质,蛋白质和其他分子之间的交流并最终使用一个网络模型。