Analyzing High-Dimensional Gene Expression and DNA Methylation Data with R

تجزیه و تحلیل بیان ژن با ابعاد بالا و داده‌های متیلاسیون DNA با R اولین کتاب عملی است که \"خط لوله\" روش‌های تحلیلی را با مثال‌های عینی نشان می‌دهد که از بیان ژن خام و داده‌های متیلاسیون DNA در مقیاس ژنوم روش‌های کنترل کیفیت، پیش‌پردازش داده‌ها، داده‌کاوی و ارزیابی‌های بیشتر در کتاب ارائه شده است و برنامه‌های R مبتنی بر داده‌های شبیه‌سازی شده و داده‌های واقعی گنجانده شده‌اند. کدهایی با داده‌های نمونه همگی قابل تکرار هستند.

ویژگی‌ها:

• مجموعه‌ای از ابزارهای تحلیلی را برای داده‌های بیان ژن در مقیاس ژنوم و داده‌های متیلاسیون DNA، از کنترل کیفیت و پیش پردازش، ارائه می‌کند. داده‌های خام در مقیاس ژنوم.

• با ارائه موازی با توضیح روش‌های آماری و بسته‌ها/عملکردهای R متناظر در کنترل کیفیت، پیش پردازش، و تجزیه و تحلیل داده‌ها (مانند خوشه‌بندی و شبکه‌ها) سازمان‌دهی شده است.

• شامل کدهای منبع با داده های شبیه سازی شده و واقعی برای بازتولید نتایج است. انتظار می رود خوانندگان توانایی تجزیه و تحلیل مستقل بیان ژنوم و داده های متیلاسیون و شناسایی نشانگرهای زیستی بالقوه را به دست آورند.

این کتاب برای دانشجویان رشته های آمار، آمار زیستی، و بیوانفورماتیک و محققانی که علاقه مند به مطالعات ژنتیکی و اپی ژنتیکی با ابعاد بالا هستند ایده آل است.

Analyzing high-dimensional gene expression and DNA methylation data with R is the first practical book that shows a ``pipeline" of analytical methods with concrete examples starting from raw gene expression and DNA methylation data at the genome scale. Methods on quality control, data pre-processing, data mining, and further assessments are presented in the book, and R programs based on simulated data and real data are included. Codes with example data are all reproducible.

Features:

• Provides a sequence of analytical tools for genome-scale gene expression data and DNA methylation data, starting from quality control and pre-processing of raw genome-scale data.

• Organized by a parallel presentation with explanation on statistical methods and corresponding R packages/functions in quality control, pre-processing, and data analyses (e.g., clustering and networks).

• Includes source codes with simulated and real data to reproduce the results. Readers are expected to gain the ability to independently analyze genome-scaled expression and methylation data and detect potential biomarkers.

This book is ideal for students majoring in statistics, biostatistics, and bioinformatics and researchers with an interest in high dimensional genetic and epigenetic studies.