توضیحات
Development of high throughput technologies in molecular biology during the last two decades has contributed to the production of tremendous amounts of data. Microarray and RNA-sequencing are two such widely used high throughput technologies for monitoring the expression patterns of thousands of genes simultaneously. Data produced from such experiments are voluminous (both in dimensionality and numbers of instances) and evolving in nature. Analysis of huge amounts of data towards the identification of interesting patterns that are relevant for a given biological question requires high performance computational infrastructure as well as efficient machine learning algorithms. Cross-communication of ideas between biologists and computer scientists remains a big challenge.
Gene Expression Data Analysis: A Statistical and Machine Learning Perspective has been written keeping a multi-disciplinary audience in mind. The book discusses gene expression data analysis from molecular biology, machine learning and statistical perspectives. Readers will be able to acquire both theoretical as well as practical knowledge of methods for identification of novel patterns of high biological significance. To measure the effectiveness of such algorithms, we discuss statistical and biological performance metrics that can be used in real life or in a simulated environment. This book discusses a large number of benchmark algorithms, tools, systems and repositories that are commonly used in analyzing gene expression data and validating results.This book will benefit students, researchers and practitioners in biology, medicine, and computer science by enabling them to acquire in-depth knowledge in statistical and machine learning based methods for analyzing gene expression data.
Key features:
- An introduction to the Central Dogma of molecular biology and information flow in biological systems.
- A systematic overview of the methods for generating gene expression data.
- Background knowledge on statistical modeling and machine learning techniques.
- Detailed methodology of analyzing gene expression data with an example case study.
- Clustering methods for finding co-expression patterns from microarray, bulkRNA and scRNA data.
- A large number of practical tools, systems and repositories that are useful for computational biologists to create, analyze and validate biologically relevant gene expression patterns.
- Suitable for multi-disciplinary researchers and practitioners in computer science and biological sciences.
————————————————————–
ترجمه ماشینی :
توسعه فناوریهای توان عملیاتی بالا در زیستشناسی مولکولی در طول دو دهه گذشته به تولید حجم عظیمی از دادهها کمک کرده است. ریزآرایه و توالی یابی RNA دو فناوری پرکاربرد برای نظارت بر الگوهای بیان هزاران ژن به طور همزمان هستند. داده های تولید شده از چنین آزمایش هایی حجیم (هم از نظر ابعاد و هم از نظر تعداد نمونه ها) و در طبیعت در حال تکامل هستند. تجزیه و تحلیل حجم عظیمی از داده ها به منظور شناسایی الگوهای جالبی که برای یک سوال بیولوژیکی خاص مرتبط هستند، به زیرساخت محاسباتی با کارایی بالا و همچنین الگوریتم های یادگیری ماشینی کارآمد نیاز دارد. ارتباط متقابل ایدهها بین زیستشناسان و دانشمندان کامپیوتر همچنان یک چالش بزرگ است.
تجزیه و تحلیل دادههای بیان ژن: دیدگاه آماری و یادگیری ماشینی نوشته شده است. در ذهن داشتن مخاطب چند رشته ای این کتاب تجزیه و تحلیل دادههای بیان ژن را از دیدگاههای بیولوژی مولکولی، یادگیری ماشین و دیدگاههای آماری مورد بحث قرار میدهد. خوانندگان می توانند دانش نظری و عملی روش های شناسایی الگوهای جدید با اهمیت بیولوژیکی بالا را به دست آورند. برای اندازهگیری اثربخشی چنین الگوریتمهایی، ما معیارهای عملکرد آماری و بیولوژیکی را مورد بحث قرار میدهیم که میتوانند در زندگی واقعی یا در یک محیط شبیهسازی شده استفاده شوند. این کتاب تعداد زیادی از الگوریتمها، ابزارها، سیستمها و مخازن معیاری را مورد بحث قرار میدهد که معمولاً در تجزیه و تحلیل دادههای بیان ژن و اعتبارسنجی نتایج استفاده میشوند. دانش عمیق در روش های آماری و مبتنی بر یادگیری ماشین برای تجزیه و تحلیل داده های بیان ژن.
ویژگی های کلیدی:
< ul>
- مقدمه ای بر دگم مرکزی زیست شناسی مولکولی و جریان اطلاعات در سیستم های بیولوژیکی.<. /li>
- مروری سیستماتیک از روشهای تولید دادههای بیان ژن.<. /span>
- دانش پیشینه در مورد مدلسازی آماری و تکنیکهای یادگیری ماشین.
- روش شناسی تفصیلی تجزیه و تحلیل داده های بیان ژن با یک مورد مثال مطالعه.
- روشهای خوشه بندی برای یافتن همکار الگوهای بیان از داده های ریزآرایه، bulkRNA و scRNA.
- <. span>تعداد زیادی از ابزارها، سیستم ها و مخازن کاربردی که برای زیست شناسان محاسباتی برای ایجاد، تجزیه و تحلیل و اعتبارسنجی الگوهای بیان ژن مرتبط با بیولوژیکی مفید است.
< /p>
- مناسب برای محققان و پزشکان چند رشته ای در علوم کامپیوتر و علوم زیستی.
<. /ul>
tag : دانلود کتاب تجزیه و تحلیل داده های بیان ژن: دیدگاه آماری و یادگیری ماشینی , Download تجزیه و تحلیل داده های بیان ژن: دیدگاه آماری و یادگیری ماشینی , دانلود تجزیه و تحلیل داده های بیان ژن: دیدگاه آماری و یادگیری ماشینی , Download Gene Expression Data Analysis: A Statistical and Machine Learning Perspective Book , تجزیه و تحلیل داده های بیان ژن: دیدگاه آماری و یادگیری ماشینی دانلود , buy تجزیه و تحلیل داده های بیان ژن: دیدگاه آماری و یادگیری ماشینی , خرید کتاب تجزیه و تحلیل داده های بیان ژن: دیدگاه آماری و یادگیری ماشینی , دانلود کتاب Gene Expression Data Analysis: A Statistical and Machine Learning Perspective , کتاب Gene Expression Data Analysis: A Statistical and Machine Learning Perspective , دانلود Gene Expression Data Analysis: A Statistical and Machine Learning Perspective , خرید Gene Expression Data Analysis: A Statistical and Machine Learning Perspective , خرید کتاب Gene Expression Data Analysis: A Statistical and Machine Learning Perspective ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.