Immunologisk bioinformatik
|
|
- Ida Therkildsen
- 8 år siden
- Visninger:
Transkript
1 Immunologisk bioinformatik Øvelsesvejledning
2 Introduktion til øvelsen Når man i dagligdagen taler om influenza, bliver virussen ofte forbundet med forbigående og ufarlig sygdom. Som regel har mennesker en vis immunitet over for en ny sæsonvirus som følge af infektion med tidligere sæsoners influenza. Indimellem sker der dog store mutationer i virus, så flere mennesker kun i ringe grad har immunitet overfor denne. Dette kan medføre store pandemier som det blandt andet sås under svineinfluenzaen i 2009, der var forårsaget af influenza A subtypen H1N1. Fordi mutationer i de ellers ufarlige virus kan have alvorlige konsekvenser for verdenspopulationen, har forskere i længere tid beskæftiget sig med udviklingen af vacciner mod influenzavirus. Hertil benyttes blandt andet bioinformatik, der kan forudsige kroppens immunrespons mod en given virus. Bioinformatik er en gren af bioteknologien, der kombinerer biologi, matematik, statistik og datalogi for at finde sammenhængen i biologiske systemer. I denne øvelse vil I benytte forskellige bioinformatiske værktøjer til at undersøge, hvordan kroppens immunforsvar reagerer på infektion med influenza og hvordan man kan benytte denne viden til vaccineudvikling. Side 2 af 12
3 Del 1 Fylogenetisk træ Teori Træer Ved fylogenetiske undersøgelser laver man slægtstræer, for at danne sig et overblik over arters evolutionære sammenhæng (slægtskabet). Eksempler på hvad fylogeni kan bruges til, er ved klassificering af fossiler/levende arter og hvor de hører hjemme i the tree of life, kortlægge konserverede steder i f.eks. vira for at finde mulige targetsekvenser til vacciner eller finde sammenhæng mellem ny opdagede proteiner og allerede kendte, for at bestemme de nyes funktionalitet. I fylogenetiske træer bliver hver art/organisme betegnet som en taxon (flertal: taxa). Hvis man følger en taxon tilbage langs grenene er hver forgrening ensbetydende med en fælles stamfader; dvs. forgreningspunktet er det sted hvor en taxon udviklede sig til to taxa, disse har hver en gren fra det punkt og betegnes derfor søstergrupper. Endvidere betegnes alle taxa der er udviklet fra en fælles stamfader som en clade. Ved at benytte clades kan man klynge taxa sammen for bl.a. at overskueliggøre og simplificere træet. Neighbor Joining algoritmen Der er forskellige måder hvorpå man kan opbygge fylogenetiske træer. Oftest opdeler man det i to metoder; klyngemetoden (clustering) og optimal kriteriummetoden (optimality criteria). Ved klyngemetoden opbygges træet trinvis, ved at sætte en ny gren (og dermed taxon) på, en ad gangen, indtil samtlige taxa er tilføjede. Ved optimal kriteriummetoden ses på samtlige træer, der kan konstrueres for et givent datasæt. Hvert træ får en score, der bygger på hvor godt træet beskriver data. Derefter bliver det træ med den bedste score valgt. For hver af de to metoder findes der igen forskellige algoritmer og scoringsmodeller til at lave træet. Vi vil beskæftige os med Neighbor Joining (NJ) algoritmen, da denne algoritme er den mest intuitive måde, at opstille fylogenetiske træer på. NJ algoritmen benytter distancen mellem taxa i træet som fundament for trækonstruktionen, afstanden er her defineret som antal mutationer, der er mellem de forskellige taxa. Side 3 af 12
4 Algoritmen gennemgår de samme trin i en trinvis proces indtil hele træet er konstrueret. Trinene der foretages bliver beskrevet her, og i øvelse 3.1 skal I selv lave et neighbor joining træ ud fra nogle givne sekvenser. 1. Konstruktion af en distance matrix (tabel). Hvert element har værdien D i, j som er distancen (antal mutationer mellem to sekvenser i og j). 2. Konstruktion af en ny distance matrix, Q. Q er en ny distance tabel der afbilder forholdet mellem én taxon og alle de andre. Værdierne i Qmatricen udregnes som følgende: Q i = D i, j u i u j (1) Hvor u i er summen af afstandene fra sekvens i til hver af de andre sekvenser, delt med antal taxa der ønskes relateret fratrukket 2. Ligningen ses nedenfor: u i =!!!! D(i, k) r 2 (2) r er antal taxa. u j findes på samme måde som u i, hvor det her i stedet for er afstanden fra sekvens j til hver af de andre sekvenser. 3. Beregning af afstand til nyt forgreningspunkt. Det nye forgreningspunkt, X, laves ved at sammensætte to noder (forgreningspunkter eller taxa),og herved sammensættes naboer neighbor joining!. De taxa hvis forgreningspunkt skal findes, er de to taxa (naboer) der har den laveste Qscore. Er der flere med samme score vælges en tilfældigt. Afstanden, v, fra det nye forgreningspunkt til de to taxa bestemmes med formlen: v i = 1 2 D i, j u i u j (3) Side 4 af 12
5 v j findes på samme måde som v i, hvor det så i stedet for er afstanden fra sekvens j til forgreningspunktet. Når afstanden til forgreningspunktet er fundet kan dette illustreres ved at tegne et V, hvor enderne er de to oprindelige noder og spidsen deres stamfader, de to afstande kan skrives ved siden af V ets sider. 4. Beregning af afstand fra X til de andre taxa. En fælles stamfader, X, til to taxa er blevet fundet, og dermed skal afstanden fra denne til de andre taxa bestemmes, så den oprindelige distance matrix kan blive korrigeret. For at beregne afstanden fra det nye forgreningspunkt til de resterende to sekvenser skal ligning 4 benyttes. Her er i og j sekvenserne for de to taxa der er blevet sat sammen i et forgreningspunkt. Den nye distance findes ved at lægge afstanden fra sekvens i til hver af de andre sekvenser sammen med afstanden fra sekvens j til hver af de andre sekvenser, hvorefter de sammensatte noders interne afstand trækkes fra. Afstanden mellem de to resterende sekvenser er den samme som i den første distance matrix. D x, k = 1 2 D i, k + D j, k D i, j (4) De fire trin gentages indtil der er to taxa tilbage. Herefter sættes det ikkerodede træ sammen, f.eks. ved at bruge de deltræer der blev lavet i trin 3. Desuden skal grenlængderne justeres så de matcher med distancen mellem noderne. Del 1.1 Konstruktion af fylogenetisk træ vha. Neighbor Joining Del Konstruktion af distance matrix I skal nu konstruere et Neighbor Joining træ for følgende fire sekvenser: A: MATCGGRA B: MISCGGRA C: MATGGGCL D: MITGGGRL Lav den originale distance matrix ved at tælle forskellene mellem hver sekvens. Skriv antal forskelle, distancerne, ind i nedenstående tabel: Side 5 af 12
6 D: A B C D A B C D NB! Værdien for den nederste halvdel af tabellen er den samme som den øverste halvdel af tabellen, da afstanden fra A til B er den samme som afstanden fra B til A. Del Konstruktion af Q matricen I skal lave den nye distance matrix, Q. Her er det lettest først at udregne u i og u j givet ved ligning 2 og herefter putte disse værdier ind i ligning 1. Husk, at I kan finde D i den distance tabel i lavede i Del 1. Skriv Qværdierne ind i nedenstående tabel: Q i = D i, j u i u j (1) u i =!!!! D(i, k) r 2 (2) Q: A B C D A B C D Del Beregning af afstand til nyt forgreningspunkt Start med at finde det felt i Qmatricen, der har den laveste score og noter de to taxa der er ud for dette felt. Vi skal nu finde en fælles stamfader for disse, X. Dette gøres ved først at finde afstanden (v) til X. Benyt ligning 3 til at bestemme afstanden, v, fra de to taxa til deres stamfader X. Noter afstanden, i parentesen kan nodens navn stå: Side 6 af 12
7 V! = V! = Del 1.2 Konstruktion af fylogenetisk træ vha. Fig Tree Formålet med denne øvelse er at kunne konstruere fylogenetiske træer og ud fra dem kunne fortælle noget om hvilken slægtskab de forskellige sekvenser har til hinanden. Gå ind på hjemmesiden for at lave et multiple alignment, det vil sige en sammenligning alle sekvenserne. Indsæt alle FASTA sekvenser fra Del 1. Vælge More options og vælg Matrix til BLOSUM 62. Tryk submit. Gå under fanen Phylogenetic Tree og tryk på knappen Download Phylogenetic Tree File. Gem filen som en.ph fil (det kan gøres ved at kopiere resultatet ind i en tekst fil og lav endelsen.ph). Gå dernæst ind i programmet FigTree (som kan hentes på linket ). Under File vælges Open og.ph filen findes. Når træet er kommet frem kan der herefter redigeres, så man får lige netop det træ man ønsker. For at gemme træet gå under File à Export as PDF og man kan da gemme et billede af træet som en PDF. Besvar spørgsmålene: Hvilke sekvenser er mest relaterede? Giver dette god mening? Hvad er forskellen på et rodet og et ikke rodet træ? Hvilket af de to er nemmest at aflæse? Del 2 Find sekvenser Formålet med denne øvelse er at give et kendskab til søgning af protein sekvenser i offentlige databaser og tolke den information der gives hos UniProt. I skal finde forskellige proteinsekvenser der koder for influenzavirus overfladeproteinet hæmagglutinin (HA). Disse sekvenser skal stamme fra influenza A eller B fra forskellige år. Gå ind på databasen og søg under Protein Knowledgebase (UniProtKB). Lav en fritekst søgning eller en avanceret søgning for at finde de ønskede proteinsekvenser, når du ved at: Side 7 af 12
8 1. Sekvensen skal kode for hæmagglutinin (HA) fra influenza A eller B 2. Sekvensen skal komme fra mennesker 3. Sekvensen skal være omkring 550 aa lang Udvælg 4 sekvenser der er identificeret indenfor en årrække på 10 år. NB! Når du har fundet din proteinsekvens tryk på FASTA (Står lige ovenover sekvensen) og gem dem et sted, hvor du kan finde dem. Besvar følgende spørgsmål: Hvad skrev du i søgefeltet? Hvor mange sekvenser fik du? Hvilke kriterier vil du benytte til at indsnævre din søgning? Vil du benytte AND, OR eller NOT, hvorfor/hvorfor ikke? Del 3 Parvis alignment Teori Sekvens alignment bliver benyttet som et værktøj til at sammenligne sekvenser og dette gøres enten som parvis eller multiple alignment. Alignments kan desuden foretages lokalt eller globalt. Globalt alignment giver et overblik over hvor identisk hele sekvensen er, hvorimod lokale alignments benyttes til at finde identiske dele af sekvenserne. Lokale alignments er derfor nyttige, hvis man eksempelvis skal undersøge DNA fusioner eller sammenligne proteiner, som kun har enkelte domæner tilfælles. Ved konstruktion af et alignment kan man se på identiske match (ens aminosyrer), om aminosyrerne er inden for samme gruppe (hydrofob, hydrofil etc.), ikke identisk match eller om der er sket insertions/deletions. Det sidste bliver visualiseret med huller (gaps) indsat i selve sekvenserne. På baggrund af alignments bliver man i stand til at se om der er sket mutationer i beslægtede sekvenser. Metoden der benyttes til alignment konstruktion kaldes dynamisk programmering. Dynamisk programmering betegner en algoritme (fremgangsmåde), der bryder problemet ned til mindre Side 8 af 12
9 dele for at kunne løse det. I praksis kan en sekvens alignes på forskellige måder, men ikke alle de mulige løsninger er lige favorable. For at finde det alignment, der er det bedste skal man se på godheden af alignmentet. Godheden findes gennem alignmentalgoritmen, som til hver mulig alignment udregner en score (betegnes alignmentscore, maxscore eller bitscore). Det alignment der har den bedste (højeste) score vælges. Alignment scores beregnes ud fra en scoringstabel. Den mest benyttede er BLOSUM62. Formålet med denne øvelse er at lære hvordan man sammenligner sekvenser og hvordan denne information kan benyttes til senere at beregne et antistofrespons i immunforsvarets Thjælper celler. Gå ind på databasen og tryk på fanen markeret Align. I sekvensfeltet indsættes de to FASTA sekvenser du vil sammenligne. Tryk Align. Sammenlign alle fundne sekvenser fra Del 2 og tæl, hvor mange forskelle der er i de sammenlignede sekvenser. Forskelle er markeret med punktum (.), kolon (:) eller mellemrum ( ). Indfør antal forskelle i et skema i Excel. Besvar spørgsmålene: Hvilke to sekvenser havde færrest forskelle ved sammenligning? Og hvilke havde flest? Ud fra antal forskelle hvad vil du tro det betyder for immunsystemets genkendelse ved en sekundær infektion? Du skal nu konstruere et fylogenetisk træ, ved samme fremgangsmåde som i del 1.2 denne gang med de nye FASTA sekvenser. Besvar spørgsmålene: Hvad forventer du af forskelle på de to træer? Hvorfor? Vil de forskellige taxa ligge tættere eller længer fra hinanden? Hvad siger det om de frie taxa fundet i del 2? Side 9 af 12
10 Del 4 Antistofrespons For at kunne beregne deres immunsystemets antistofrespons, benyttes følgende formel 1 Antistofrespons = 2^ 1 Antal mutationer 2,9 100% Benyt denne formel og beregn antistofresponset mellem alle de sammenlignede sekvenser fra Del 2. Opstil et skema i Excel som beskriver immunsystemets Antistofrespons. Besvar spørgsmålet: Hvordan stemmer denne information overens med det du kom frem til i Del 2? Ekstra: Hvis du laver samme øvelse med sekvens A, B, C og D fra øvelse 3, opnår du da det samme resultat som det du beregnede i hånden? Del 5 Epitop bestemmelse Formålet med denne øvelse er at lære hvordan man kan forudsige hvilke dele af en virus immunsystemet genkender og kunne beregne hvor stor en genkendelse det adaptive immunsystem har ved en ny virus infektion. I en forskningshverdag ville man gå ind og undersøge for de MHCImolekyler der er videnskabelig evidens for findes i området. Men i denne opgave har vi valgt de MHCImolekyler der skal søges på, grundet kompleksiteten af de hjemmesider der benyttes til dette i hverdagen. Der er blevet valgt at bruge MHCImolekylet: A*01:01 på baggrund af en opstillet hypotetisk person fra USA, med asiatisk afstamning. Denne person er valgt da der var udført undersøgelser på en stor population (n=1772). Dette betyder man kan være relativt mere sikker på at MHCI molekylet findes i personer der kommer fra denne etniske gruppe i USA. Det andet MHCImolekyle der er blevet valgt er: DRB1*01:04, fra en afroamerikansk befolkningsgruppe. I denne undersøgelser var der igen et relativt højt antal personer med (2,411). 1 De Jong J.C.; Smith D.J.; et al.2004: Mapping the Antigenic and Genetic Evolution of Influenza Virus. Side 10 af 12
11 Gå ind på hjemmesiden for at finde hvilke epitoper der fremstilles af jeres valgte MHCImolekyler givet i teksten ovenfor Indsæt en af proteinsekvenserne valgt i Del 1. Vælg en peptid længde på 9 og vælg de MHCI- molekyle fundet givet. Tryk Submit. Indfør de peptid stumper der binder stærkt (SB) i et Excel ark. Gør nu det samme for resten af dine proteinsekvenser fra Del 1 og indfør alle peptiderne i samme Excel ark. NB! Du skal kunne finde ud af, hvilke peptidstumper der kommer fra hvilke protein sekvenser. Gå ind på hjemmesiden for at finde, hvilke epitoper der fremstilles af jeres valgte MHCIImolekyler fra Del 5. Indsæt en af proteinsekvenserne valgt i Del 1. Vælg en peptid længde på 15 og vælg dit MHCII- molekyle fundet i Del 5. Tryk Submit. Indfør de peptid stumper der binder stærkt (SB) i et Excel ark. Gør nu det samme for resten af dine proteinsekvenser fra Del 1 og indfør alle peptiderne i samme Excel ark. Del 5.1 Antigenrespons For at kunne beregne hvor stort et antigenrespons der er benyttes formlen 2 T celle immunrespons = 0.6!"#!$!"#$#%&'() For at finde antallet af mutationer opstilles epitoperne fra to af proteinsekvenserne overfor hinanden. De epitop sekvenser, der minder om hinanden sættes overfor hinanden. Hvis nogle af eptiop sekvenserne ikke minder om nogle af de andre sættes de alene. Herefter tælles antallet af mutationer i mellem hver af de sammenlignede epitoper. Dette gøres for både epitoperne fra MHCI og MHCIImolekylerne. For at beregne den samlede procentvise epitop genkendelse benyttes formlen Samlet epitop genkendelse % = T celle immunrespons fremstillede epitoper fra ny virus 100% NB! Epitoperne fra MHCI og MHCIImolekylerne beregnes hver for sig. Besvar spørgsmålene: 2 Buggert M.; Hoof I.; Perez C.L.; et al., 2010: Interdisciplinary Analysis of HIVSpecific CD8 + T cell Responses against Variant Epitopes Reveals Restricted TCR Promiscuity. Side 11 af 12
12 Hvilke celler i immunsystemet binder til henholdsvis MHCI og MHCIImolekylerne? Hvilke sekvenser har størst epitop genkendelse og hvilke har mindst epitopgenkendelse? Hvad betyder dette? Side 12 af 12
Danmarks Tekniske Universitet. Løsningsforslag til Øvelse i Immonologisk Bioinformatik
Danmarks Tekniske Universitet Løsningsforslag til Øvelse i Immonologisk Bioinformatik Indledning De følgende sider giver en gennemgang af de øverlser i har lavet under jeres besøg på DTU, som en del af
Læs mereImmunologisk bioinformatik - et undervisningsprojekt til de danske gymnasier
Immunologisk bioinformatik - et undervisningsprojekt til de danske gymnasier Isa Kirk Biotech Academy Institut for Systembiologi, Danmarks Tekniske Universitet 2. november 2010 1 Indhold 1 Introduktion
Læs mereVelkommen Immunologisk Bioinformatik
Velkommen Immunologisk Bioinformatik EduForce undervisere: Hvem er vi? 2 DTU Systembiologi, Danmarks Tekniske Universitet Hvem er I? 3 DTU Systembiologi, Danmarks Tekniske Universitet Dagens Program Kl.
Læs mereGenetiske afstande og afstandsmatricer
Genetiske afstande og afstandsmatricer Denne vejledning indeholder en række små øvelser og opgaver der illustrerer, hvordan man ud fra genetiske sekvenser kan udregne en gennemsnitlig evolutionær afstand
Læs mere27611 Eksamen Sommer 2008
27611 Eksamen Sommer 2008 Dette sæt indeholder 10 opgaver. En online version af opgavesættet vil være tilgængeligt fra kursets lektionsplan under selve eksamen ( juni 2008 klokken 15:00-19:00). DNA/Protein
Læs mereDanmarks Tekniske Universitet
Side 1 of 14 Danmarks Tekniske Universitet Skriftlig prøve, den 21/1-2013 Kursus navn: Kursus nr. 27633 Introduktion til Bioinformatik Tilladte hjælpemidler: Alle "Vægtning" Angivet ved de individuelle
Læs mereSide 1 af 13. Eksamen: Bioinformatik It og Sundhed 27 Jan 2011 kl 9-13
Side1af13 Eksamen: Bioinformatik It og Sundhed 27 Jan 2011 kl 9-13 Navn: Studie nummer: Dette eksamenssæt vil også kunne ses som en pdf fil nederst på kursus-hjemmesiden udfor den sidste dag d. 27 Jan
Læs merePopulationsgenetik hos to hvalarter
REGN MED BIOLOGI SUPPLERENDE MATERIALE (4.9) Populationsgenetik hos to hvalarter I Regn med biologi side 98, figur 94 vises et fylogenetisk stamtræ over grønlandshval og sydlig rethval. Dette supplerende
Læs mereDanmarks Tekniske Universitet
Side 1 of 17 Danmarks Tekniske Universitet Skriftlig prøve, den 21/1-2013 Kursus navn: Kursus nr. 27633 Introduktion til Bioinformatik Tilladte hjælpemidler: Alle "Vægtning" Angivet ved de individuelle
Læs mereSide 1 of 11. Kursus navn: Kursus nr Introduktion til Bioinformatik
Side 1 of 11 Danmarks Tekniske Universitet Skriftlig prøve, den 22/1-2015 Kursus navn: Kursus nr. 27633 Introduktion til Bioinformatik Tilladte hjælpemidler: Alle "Vægtning" Angivet ved de individuelle
Læs mereSkruedyrenes evolution
Skruedyrenes evolution Materialer: 8 forskellige søm og skruer per hold. Formål: At tegne et slægtskabstræ udfra morfologiske karaktertræk Når arterne er blevet indsamlet og identificeret, skal de systematiseres.
Læs mereGeneious en manual til elevbrug
REGN MED BIOLOGI SUPPLERENDE MATERIALE (4.3) Geneious en manual til elevbrug Indhold INTRODUKTION TIL GENEIOUS... 2 DATABASERNE HOS NCBI... 2 ORGANISÉR PROJEKTET... 3 SØGNING... 3 UDVIDET SØGNING... 4
Læs mereDanmarks Tekniske Universitet. Kursus navn: Introduktion til Bioinformatik. Kursus nummer: Hjælpemidler: alle.
1 Danmarks Tekniske Universitet Skriftlig prøve, den 23. maj 2012 Side 1 af 10 sider Kursus navn: Introduktion til Bioinformatik Kursus nummer: 27611 Hjælpemidler: alle Varighed: 4 timer Vægtning: Angivet
Læs mereSUBS_BACLE 1 0 ELYA_BACHD 1 MRQSLKVMVLSTVALLFMANPAAASEEKKEYLIVVEPEEVSAQSVEESYD 50
Svar til Parvis Alignment øvelsen - Af: Rasmus Wernersson Q1: FASTA format. Q2: # Length: 361 # Identity: 176/361 (48.8%) # Similarity: 214/361 (59.3%) # Gaps: 92/361 (25.5%) # Score: 916.0 SUBS_BACLE
Læs mereSide 1 af 14. Eksamen: Bioinformatik It og Sundhed 27 Jan 2011 kl 9-13
Side 1 af 14 Eksamen: Bioinformatik It og Sundhed 27 Jan 2011 kl 9-13 Navn: Studie nummer: Dette eksamenssæt vil også kunne ses som en pdf fil nederst på kursus-hjemmesiden udfor den sidste dag d. 27 Jan
Læs mere27611 Eksamen Sommer 2007
- Side 1 af 10-27611 Eksamen Sommer 2007 Dette sæt indeholder 4 opgaver. En online version af opgavesættet vil være tilgængeligt fra kursets lektionsplan, under selve eksamen (25. Maj 2007 klokken 9:00
Læs mereIdentifikation af potentielle microrna gener ved hjælp af komparativ genomanalyse
Identifikation af potentielle microrna gener ved hjælp af komparativ genomanalyse Per Tøfting 23. september 2008 Speciale i softwarekonstruktion IT-Vest Aarhus Universitet Agenda Formål microrna Strategien
Læs mereSide 1 of 12. Kursus navn: Kursus nr Introduktion til Bioinformatik
Side 1 of 12 Danmarks Tekniske Universitet Skriftlig prøve, den 20/1-2014 Kursus navn: Kursus nr. 27633 Introduktion til Bioinformatik Tilladte hjælpemidler: Alle "Vægtning" Angivet ved de individuelle
Læs mereHerunder er vist en afstandsmatrice for fem pattedyr: Ulv (U), moskusokse (M), kænguru (K), isbjørn (I) og vildsvin (V).
Fylogenetiske træer Dette dokument indeholder først et eksempel på hvordan man kan bruge UPGMA-metoden til at danne fylogenetiske træer ud fra en afstandsmatrice, og derefter en række øvelser der illustrerer
Læs mereBM121 Resume af tirsdags forlæsningen, Uge 47
BM121 Resume af tirsdags forlæsningen, Uge 47 Morten Källberg (kallberg@imada.sdu.dk) 22/11-2005 1 Probabilistiske modeller Vi vil i det følgende betragte to forskellige måder at evaluerer en given model
Læs mereSÅDAN BRUGER DU REGNEARK INTRODUKTION
SÅDAN BRUGER DU REGNEARK INTRODUKTION I vejledningen bruger vi det gratis program Calc fra OpenOffice som eksempel til at vise, hvordan man bruger nogle helt grundlæggende funktioner i regneark. De øvrige
Læs mereBedste rette linje ved mindste kvadraters metode
1/9 Bedste rette linje ved mindste kvadraters metode - fra www.borgeleo.dk Figur 1: Tre datapunkter og den bedste rette linje bestemt af A, B og C Målepunkter og bedste rette linje I ovenstående koordinatsystem
Læs mereImmunologisk Bioinformatik
Immunologisk Bioinformatik Et undervisningsmateriale til de danske gymnasier Af Isa Kristina Kirk Materialet er lavet af Isa Kristina Kirk for Biotech Academy ved Danmarks Tekniske Universitet, DTU, i
Læs mereUPGMA-metoden eksempel truede tigre
REGN MED BIOLOGI SUPPLERENDE MATERIALE (4.5) UPGMA-metoden eksempel truede tigre UPGMA står for Unweighted Pair Group Method with Arithmetic mean og er en metode til at udregne grenlængder i stamtræer
Læs mereMåske kender du nogle af de tips og tricks, guiden indeholder, men så bliver du blot bekræftet i, at du gør det rigtige.
JETREPORTS TIPSOG TRICKS Indledning Jet Reports er et fantastisk rapporteringsværktøj integreret i Excel. De fleste af os bruger nok kun en brøkdel af de muligheder som Jet Reports og Excel har. Denne
Læs mereSide 1 of 12. Kursus navn: Kursus nr Introduktion til Bioinformatik
Side 1 of 12 Danmarks Tekniske Universitet Skriftlig prøve, den 22/1-2015 Kursus navn: Kursus nr. 27633 Introduktion til Bioinformatik Tilladte hjælpemidler: Alle "Vægtning" Angivet ved de individuelle
Læs mereLineære sammenhænge, residualplot og regression
Lineære sammenhænge, residualplot og regression Opgave 1: Er der en bagvedliggende lineær sammenhæng? I mange sammenhænge indsamler man data som man ønsker at undersøge og afdække eventuelle sammenhænge
Læs mereDanmarks Tekniske Universitet
Side 1 af 1 Danmarks Tekniske Universitet Side 1 af 11 sider Skriftlig prøve, den 27/5-2010 Kursus navn: Kursus nr. 27611 Introduktion til Bioinformatik Tilladte hjælpemidler: Alle "Vægtning" Angivet ved
Læs mereExcel sortering-filtrering
Adresseliste - Sortering Når du bruger Excel til at håndtere mængder af data, vil du ofte få brug for at sortere disse data. En sortering kan hjælpe dig til at finde bestemte data. Det er nemmere at finde
Læs mereKL S EFFEKTMÅLINGS- REDSKAB TIL KONTROLOMRÅDET
KL JANUAR 2017 TEKNISK VEJLEDNING KL S EFFEKTMÅLINGS- REDSKAB TIL KONTROLOMRÅDET OFFICE VERSION 2010 OG 2013 2 VEJLEDNING I ANVENDELSE AF VÆRKTØJ TIL EFFEKTMÅLING INDHOLD INDHOLD INDLEDNING A. TEKNISKE
Læs mereTilpas: Hurtig adgang
Tilpas: Hurtig adgang Genveje, Se skærmtips Se tips Hold alt tasten nede. Og brug bogstaver Word Fanen Filer PDF dokument Brug skabelon Visninger Husk Luk ved fuldskærmsvisning Brug zoom skyder Marker,
Læs mereGraph brugermanual til matematik C
Graph brugermanual til matematik C Forord Efterfølgende er en guide til programmet GRAPH. Programmet kan downloades gratis fra nettet og gemmes på computeren/et usb-stik. Det betyder, det også kan anvendes
Læs mereIntroduktion til de praktiske øvelser
Introduktion til de praktiske øvelser Vi vil i dag fokusere på tre forskellige online software til SNP analyser snptree NDtree CSIphylogony Introduktion til SNP analyser http://cge.cbs.dtu.dk/services/all.php
Læs mereExcel regneark. I dette kapitel skal I arbejde med noget af det, Excel regneark kan bruges til. INTRO EXCEL REGNEARK
Excel regneark Et regneark er et computerprogram, der bl.a. kan regne, tegne grafer og lave diagrammer. Regnearket kan bruges i mange forskellige sammenhænge, når I arbejder med matematik. Det kan gøre
Læs mereAT-forløb Jordskælv i Chile 1.u
Kapitel 1 AT-forløb Jordskælv i Chile 1.u 1.1 Indgående fag I forløbet indgår fagene naturgeografi v. Mikkel Røjle Bruun (BR), samfundsfag v. Ann Britt Wolsing (AW) og matematik v. Flemming Pedersen (FP).
Læs mereMatematik og samfundsfag Gini-koefficienten
Erik Vestergaard www.matematikfysik.dk Matematik og samfundsfag Gini-koefficienten Den såkaldte Gini-koefficient, introduceret i 92 i en artikel af den italienske statistiker, demograf og sociolog Corrado
Læs merematematik Demo excel trin 2 bernitt-matematik.dk 1 excel 2 2007 by bernitt-matematik.dk
matematik excel trin 2 bernitt-matematik.dk 1 excel 2 2007 by bernitt-matematik.dk matematik excel 2 1. udgave som E-bog 2007 by bernitt-matematik.dk Kopiering af denne bog er kun tilladt efter aftale
Læs mereHow to do in rows and columns 8
INTRODUKTION TIL REGNEARK Denne artikel handler generelt om, hvad regneark egentlig er, og hvordan det bruges på et principielt plan. Indholdet bør derfor kunne anvendes uden hensyn til, hvilken version
Læs mereBONUSINFORMATIONER i forbindelse med emnet Billeder og grafik
BONUSINFORMATIONER i forbindelse med emnet Billeder og grafik Dette dokument indeholder yderligere informationer, tips og råd angående: Tabelfunktionen SmartArtfunktionen Billedfunktionen Samt en ekstra
Læs merematematik Demo excel trin 1 preben bernitt bernitt-matematik.dk 1 excel 1 2007 by bernitt-matematik.dk
matematik excel trin 1 preben bernitt bernitt-matematik.dk 1 excel 1 2007 by bernitt-matematik.dk matematik excel 1 1. udgave som E-bog 2007 by bernitt-matematik.dk Kopiering af denne bog er kun tilladt
Læs mereJet Reports tips og tricks
Jet Reports tips og tricks Af Peter Christoffersen Ejer og grundlægger af Zeezit Zeezit Prinsensgade 20 9000 Aalborg info@zeezit.dk www.zeezit.dk Indledning Zeezit er grundlagt af Peter Christoffersen,
Læs mereIndhold Forelæsning Dat-D1: Regneark Matematik og databehandling 2012
Indhold Forelæsning Dat-D1: Regneark Matematik og databehandling 2012 Henrik L. Pedersen Institut for Matematiske Fag henrikp@life.ku.dk 1 Forberedelsesopgaverne Dat-D-1 og Dat-D-2 2 Regnearks grundprincipper
Læs merei modellen. Alle detaljer og analysemuligheder gennemgås dog ikke i denne skrivelse det er blot en introduktion, så du kommer godt fra start.
SÅDAN KOMMER DU I GANG - en introduktion til KL s model for benchmarking på ungdomsuddannelsesområdet Denne skrivelse hjælper dig i gang med at bruge KL s benchmarkingmodel på ungdomsuddannelsesområdet.
Læs mereStatistik i GeoGebra
Statistik i GeoGebra Peter Harremoës 13. maj 2015 Jeg vil her beskrive hvordan man kan lave forskellige statistiske analyser ved hjælp af GeoGebra 4.2.60.0. De statistiske analyser svarer til pensum Matematik
Læs mereExcel - begynderkursus
Excel - begynderkursus 1. Skriv dit navn som undertekst på et Excel-ark Det er vigtigt når man arbejder med PC er på skolen at man kan få skrevet sit navn på hver eneste side som undertekst.gå ind under
Læs mereSvar til sommereksamen 2014, opdateret maj 2016:
Svar til 27611 sommereksamen 2014, opdateret maj 2016: ER proteiner, KDEL motiv og KDEL receptor Opgave 1 - Karakterisering af KDEL receptoren Spørgsmål a: Der er 1776 proteiner i UniProt, der hedder "ER
Læs mereDanmarks Tekniske Universitet
Side 1 of 14 Danmarks Tekniske Universitet Skriftlig prøve, den 26/1-2012 Kursus navn: Kursus nr. 27633 Introduktion til Bioinformatik Tilladte hjælpemidler: Alle "Vægtning" Angivet ved de individuelle
Læs mereat du trænes i at genkende aminosyrer i en simpel proteinstruktur (pentapeptid = lille protein bestående af 5 (penta) aminosyrer)
Elevvejledning til det Virtuelle Kræftlaboratorium Det Virtuelle Kræftlaboratorium stiller krav til en grundig forståelse af det centrale dogme inden for molekylærbiologien, hvordan DNA oversættes til
Læs mereMatematik i Word. En manual til elever og andet godtfolk. Indhold med hurtig-links. Kom godt i gang med Word Matematik. At regne i Word Matematik
Matematik i Word En manual til elever og andet godtfolk. Indhold med hurtig-links Kom godt i gang med Word Matematik At regne i Word Matematik Kom godt i gang med WordMat Opsætning, redigering og kommunikationsværdi
Læs mereImplementation of MUSCLE using GPU
Implementation of MUSCLE using GPU Peter Sandberg Brun, 20073790 Mads Sandberg Brun, 20073791 Master s Thesis, Computer Science September 2012 Advisor: Christian Nørgaard Storm Pedersen ii Abstract This
Læs mereAnalyse af en lineær regression med lav R 2 -værdi
Analyse af en lineær regression med lav R 2 -værdi Denne gennemgang omhandler figur 13 i Regn med biologi. Man kan sagtens lave beregninger på egne data. Forsøgsmæssigt kræver det bare en tommestok tapet
Læs mereIntroduktion til de praktiske øvelser
Introduktion til de praktiske øvelser Vi vil i dag fokusere på tre forskellige online so4ware 6l SNP analyser snptree NDtree CSIphylogony Introduktion til SNP analyser h@p://cge.cbs.dtu.dk/services/all.php
Læs mereSvar til sommereksamen 2014, opdateret 30. april 2018:
Svar til 27611 sommereksamen 2014, opdateret 30. april 2018: ER proteiner, KDEL motiv og KDEL receptor Opgave 1 - Karakterisering af KDEL receptoren Spørgsmål a: Der er 2577 proteiner i UniProt, der hedder
Læs mereSide%1%af%14% Eksamen: Bioinformatik It og Sundhed 27 Jan 2011 kl 9-13
Side1af14 Eksamen: Bioinformatik It og Sundhed 27 Jan 2011 kl 9-13 Navn: Studie nummer: Dette eksamenssæt vil også kunne ses som en pdf fil nederst på kursus-hjemmesiden udfor den sidste dag d. 27 Jan
Læs mereVi har valgt at analysere vores gruppe ud fra belbins 9 grupperoller, vi har følgende roller
Forside Indledning Vi har fået tildelt et skema over nogle observationer af gærceller, ideen ligger i at gærceller på bestemt tidspunkt vokser eksponentielt. Der skal nu laves en model over som bevise
Læs mereSide 1 of 13. Kursus navn: Kursus nr Introduktion til Bioinformatik
Side 1 of 13 Danmarks Tekniske Universitet Skriftlig prøve, den 20/1-2014 Kursus navn: Kursus nr. 27633 Introduktion til Bioinformatik Tilladte hjælpemidler: Alle "Vægtning" Angivet ved de individuelle
Læs mereLINEÆR PROGRAMMERING I EXCEL
LINEÆR PROGRAMMERING I EXCEL K A P P E N D I X I lærebogens kapitel 29 afsnit 3 er det med 2 eksempler blevet vist, hvordan kapacitetsstyringen kan optimeres, når der er 2 produktionsmuligheder og flere
Læs mereEvolutionstræer (Phylogenetic trees)
BM forelæsning d november 00 Referat af Claus Skovgaard Evolutionstræer (Phylogenetic trees) Baseres på hvor meget de forskellige arter ligner hinanden og hvordan man tror udviklingen har forløbet menneske
Læs mereALMINDELIGT ANVENDTE FUNKTIONER
ALMINDELIGT ANVENDTE FUNKTIONER I dette kapitel gennemgås de almindelige regnefunktioner, samt en række af de mest nødvendige redigerings- og formateringsfunktioner. De øvrige redigerings- og formateringsfunktioner
Læs mereExcel-4: Diagrammer og udskrift
Excel-4: Diagrammer og udskrift Udfra indtastede tal og formler kan Excel oprette forskellige typer meget flotte diagrammer: grafer, kurver, søjler og cirkeldiagrammer. OPGAVE: Men der skal være nogle
Læs mereFor at få tegnet en graf trykkes på knappen for graftegning. Knap for graftegning
Graftegning på regneark. Ved hjælp af Excel regneark kan man nemt tegne grafer. Man åbner for regnearket ligger under Microsoft Office. Så indtaster man tallene fra tabellen i regnearkets celler i en vandret
Læs mereQuick Guide til RKKP-dokumentation.dk. - Find rundt i databasernes dokumentation i online systemet på RKKP-Dokumentation.dk
Quick Guide til RKKP-dokumentation.dk - Find rundt i databasernes dokumentation i online systemet på RKKP-Dokumentation.dk Kontakt: Fællessekretariatet E-mail: fagligkvalitet@rm.dk Version 1.1 Senest redigeret:
Læs mereAfgrænsning/filtrering, sortering m.v. i Klienten
Afgrænsning/filtrering, sortering m.v. i Klienten Afgrænsning/filtrering I det efterfølgende gennemgås de tre standard afgrænsnings-/filtrerings metoder i Prisme Klient: Avanceret filter Er den overordnede
Læs mereSpecialkort med Valgdata
Specialkort med Valgdata Søren Risbjerg Thomsen d. 25. april 2017 Introduktion I det følgende beskrives, hvordan man anvender Valgdata til at skabe specialkort, dvs. kort hvor man selv bestemmer indholdet
Læs mereTalrækker. Aktivitet Emne Klassetrin Side
VisiRegn ideer 3 Talrækker Inge B. Larsen ibl@dpu.dk INFA juli 2001 Indhold: Aktivitet Emne Klassetrin Side Vejledning til Talrækker 2-4 Elevaktiviteter til Talrækker 3.1 Talrækker (1) M-Æ 5-9 3.2 Hanoi-spillet
Læs mereBrugervejledning til hurtig start af EasyBusiness Online Indholdsfortegnelse:
Brugervejledning til hurtig start af EasyBusiness Online Indholdsfortegnelse: 1. Hvordan du bliver tilsluttet EasyBusiness...2 2. Hvordan du foretager en søgning...2 3. Hvordan du gemmer og åbner en søgning...4
Læs mereIntroduktion til processen. Overordnet beskrivelse. Detaljeret beskrivelse
Introduktion til processen I dette dokument beskrives den tekniske datavask af kreditorer som bla. foretages via udtræk til Excel. Processen kan benyttes til at spærre kreditorkort der har bogførte poster
Læs merePivottabeller, diagrammer og databehandling. Underviser: Nina Kirkegaard Schou Mobil
Pivottabeller, diagrammer og databehandling Underviser: Nina Kirkegaard Schou Mobil 21 48 65 16 E-mail: ns@teamcrm.dk Emner: Excel Pivottabeller/diagrammer og databehandling Brugerfladen Import af data
Læs mereExcel-1: kom godt i gang!!
Excel-1: kom godt i gang!! Microsoft Excel er et såkaldt regneark, som selvfølgelig bliver brugt mest til noget med tal men man kan også arbejde med tekst i programmet. Excel minder på mange områder om
Læs mereInformation om de forskellige nøgletal i modellerne findes i skrivelsen Varedeklaration.
Introduktion til KL s benchmarkingmodel for voksenhandicapområdet Denne skrivelse hjælper dig i gang med at bruge KL s benchmarkingmodel for voksenhandicap. Den viser, hvordan man udvælger sammenligningskommuner,
Læs mereSMARTBOARD. Hvordan fungerer det? Et kursusmateriale
SMARTBOARD Hvordan fungerer det? Et kursusmateriale Materialet må ikke kopieres eller på anden måde videredistribueres Opgave 1 Det grundlæggende a) Skriv med håndskrift på tavlen følgende brug pen eller
Læs mereR E D C A P M A N U A L. Importér data til REDCap fra CSV-fil. Opbyg din eksisterende database i REDCap Version 1.0
R E D C A P M A N U A L Importér data til REDCap fra CSV-fil Opbyg din eksisterende database i REDCap Version 1.0 Introduktion Der opstår ofte et ønske om at importere data fra andre databaser til REDCap,
Læs mereDatabasesøgning med BLAST
Databasesøgning med BLAST Denne vejledning giver en introduktion til databasesøgning med forskellige programmer i BLAST-familien. Vejledningen indeholder først en grundig introduktion og gennemgang af
Læs mere1 Problemformulering CYKELHJELM
1 Problemformulering I skal undersøge hvor mange cyklister, der kommer til skade og hvor alvorlige, deres skader er. I skal finde ud af, om cykelhjelm gør nogen forskel, hvis man kommer ud for en ulykke.
Læs mereAdministration af subsites BRUGERVEJLEDNING FOR ADMINISTRATOREN
Administration af subsites BRUGERVEJLEDNING FOR ADMINISTRATOREN Indholdsfortegnelse Introduktion... 2 Definitioner... 2 Generelt... 3 Oprettelse af en skabelon... 4 Sidetypeskabeloner... 5 Globale displaymoduler...
Læs mereVejledning i udtræk af input-output data fra Statistikbanken
- 1 - Vejledning i udtræk af input-output data fra Statistikbanken Introduktion Input-output tabellerne er konsistente med nationalregnskabet og udarbejdes i tilknytning hertil. De opdateres årligt i december
Læs mereViTre ver. 91 Opdatering fra ScanDis A/S. Instruktion og nyheder i TAL. Automatisk ro Ny forbedret udtalebog. Automatisk ro
ViTre ver. 91 Opdatering fra ScanDis A/S Instruktion og nyheder i TAL Automatisk ro Ny forbedret udtalebog Automatisk ro ScanDis A/S ViTre version 91 opdatering Side 1 Ny indstilling af oplæsning med funktionen
Læs mereEn lille vejledning til lærere og elever i at bruge matematikprogrammet WordMat (begynderniveau)
Matematik i WordMat En lille vejledning til lærere og elever i at bruge matematikprogrammet WordMat (begynderniveau) Indholdsfortegnelse 1. Introduktion... 3 2. Beregning... 4 3. Beregning med brøker...
Læs mereKlasse 1.4 Michael Jokil 03-05-2010
HTX I ROSKILDE Afsluttende opgave Kommunikation og IT Klasse 1.4 Michael Jokil 03-05-2010 Indholdsfortegnelse Indledning... 3 Formål... 3 Planlægning... 4 Kommunikationsplan... 4 Kanylemodellen... 4 Teknisk
Læs mereVelkommen til ABC Analyzer! Denne basis manual indeholder introduktion til: De primære funktioner De 6 faneblade Dataslicers Rapporter og klikrapport
Velkommen til ABC Analyzer! Denne basis manual indeholder introduktion til: De primære funktioner De 6 faneblade Dataslicers Rapporter og klikrapport Manual opdateret Oktober 2015 Copyright ABC Softwork
Læs mereKL S EFFEKTMÅLINGS- REDSKAB TIL KONTROLOMRÅDET
KL FEBRUAR 2019 TEKNISK VEJLEDNING KL S EFFEKTMÅLINGS- REDSKAB TIL KONTROLOMRÅDET OFFICE VERSION 2010 OG 2013 2 INDHOLD INDHOLD INDLEDNING A. TEKNISKE KRAV SIDE 3 SIDE 4 B. HVORDAN GØRES ALLE VÆRKTØJETS
Læs mereMaple. Skærmbilledet. Vi starter med at se lidt nærmere på opstartsbilledet i Maple. Værktøjslinje til indtastningsområdet. Menulinje.
Maple Dette kapitel giver en kort introduktion til hvordan Maple 12 kan benyttes til at løse mange af de opgaver, som man bliver mødt med i matematiktimerne på HHX. Skærmbilledet Vi starter med at se lidt
Læs mere5 ARBEJDE MED EDITOREN
5 ARBEJDE MED EDITOREN Editor (eller Rich Tekst Editor) er et indbygget indholdsredigerings værktøj, hvor man uden nogen kendskab til HTML kodning kan skrive tekst, indsætte billeder, videoer og links.
Læs mereInformation om de forskellige nøgletal i modellerne findes i skrivelsen Varedeklaration.
Introduktion til KL s benchmarkingmodel for udsatte børn og unge Denne skrivelse hjælper dig i gang med at bruge KL s benchmarkingmodel for udsatte børn og unge. Den viser, hvordan man udvælger sammenligningskommuner,
Læs mereEuklids algoritme og kædebrøker
Euklids algoritme og kædebrøker Michael Knudsen I denne note vil vi med Z, Q og R betegne mængden af henholdsvis de hele, de rationale og de reelle tal. Altså er { m } Z = {..., 2,, 0,, 2,...} og Q = n
Læs mereGem dine dokumenter i BON s Content Management System (CMS)
24. august 2007 Gem dine dokumenter i BON s Content Management System (CMS) INDHOLDSFORTEGNELSE 1. Indledning... 2 2. Se indholdet i dit Content Management System... 3 3. Tilgå dokumenterne i My Content
Læs mereOktober Dokumentpakker
Oktober 2017 Dokumentpakker Dokumentpakkerne er et værktøj til at udskrive dynamiske breve, som har en standardtekst i brevet, og hvor der automatisk sættes blandt andet patientens navn, adresse og aftaletid
Læs mereSeriediagrammer - Guide til konstruktion i LibreOffice Calc
Seriediagrammer - Guide til konstruktion i LibreOffice Calc På forbedringsvejlederuddannelsen anvender vi seriediagrammer til at skelne mellem tilfældig og ikketilfældig variation. Med et seriediagram
Læs mereDaglig brug af JitBesked 2.0
Daglig brug af JitBesked 2.0 Indholdsfortegnelse Oprettelse af personer (modtagere)...3 Afsendelse af besked...4 Valg af flere modtagere...5 Valg af flere personer der ligger i rækkefølge...5 Valg af flere
Læs mereectrl vejledning ectrl Autorapporter
ectrl vejledning ectrl Autorapporter Autorapportudskrift Som bruger af ectrl kan man nemt lave sine egne simple rapporter fra alle tabeller i ectrl. Begrænsningen for rapporter under autorapport er, at
Læs meredpersp Uge 40 - Øvelser Internetalgoritmer
Øvelse 1 dpersp Uge 40 - Øvelser Internetalgoritmer (Øvelserne 4 og 6 er afleveringsopgaver) a) Hver gruppe får en terning af instruktoren. Udfør 100 skridt af nedenstående RandomWalk på grafen, som også
Læs mereVejledning til opbygning af hjemmesider
Side 1 af 9 Vejledning til opbygning af hjemmesider Hvis du er inde på din klubs hjemmeside, fx på forsiden, kan du nu gå i gang med at redigere. For at få redigeringsværktøjet frem, skal du klikke på
Læs mereIT/Regneark Microsoft Excel Grundforløb
januar 2018 Indhold Opbygning af et regneark... 3 Kolonner, rækker... 3 Celler... 3 Indtastning af tekst og tal... 4 Tekst... 4 Tal... 4 Værdier... 4 Opbygning af formler... 5 Indtastning af formler...
Læs mereHuskesedler. Præsentation af tal i regneark. Microsoft Excel 2010
Huskesedler Præsentation af tal i regneark Microsoft Excel 2010 Februar 2013 Indholdsfortegnelse Betinget formatering... 3 Celletypografi... 5 Diagram... 6 Diagram elementer... 8 Diagram grafik... 9 Diagram
Læs mereRegneark LibreOffice. Øvelseshæfte. Version: September 2013
Regneark LibreOffice Øvelseshæfte Version: September 2013 Indholdsfortegnelse Øvelserne...4 Øvelse 1 Gem en kopi...4 Øvelse 2 Omdøb faneblad + lav en kopi...4 Øvelse 3 - tekstombrydning...5 Øvelse 4 Sorter
Læs mereImport-vejledning Fra regneark til UNI Login
Import-vejledning Fra regneark til UNI Login - For UNI Login brugeradministratorer 4. udgave, januar 2007 UNI C 2007 Vermundsgade 5 2100 København Ø Tlf: 35 87 88 89 1 Oprettelse af regneark med persondata...
Læs mereFORMATERING AF REGNEARK
FORMATERING AF REGNEARK Indtil nu har vi set på, hvordan du kan udføre beregninger i dit regneark, og hvordan du kan redigere i regnearket, for hurtigt at få opstillet modellerne. Vi har derimod overhovedet
Læs mereHuskesedler. Design og automatisering af regneark. Microsoft Excel 2013
Huskesedler Design og automatisering af regneark Microsoft Excel 2013 Januar 2017 Knord Side 2 Indholdsfortegnelse Ark... 4 Beskyttelse... 6 Diagram... 7 Eksport af data... 8 Fejlretning i formler... 9
Læs mereNetLogo-simuleringen. Simuleringer og fysiske modeller (henfaldsloven)
NetLogo-simuleringen Simuleringer og fysiske modeller (henfaldsloven) Hvad er en simulering? For at kunne arbejde med en simulering er der to vigtige elementer, man må have en grundlæggende forståelse
Læs mere