دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Ka-Chun Wong (eds.)
سری:
ISBN (شابک) : 9783319412795, 9783319412788
ناشر: Springer International Publishing
سال نشر: 2016
تعداد صفحات: 426
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب تجزیه و تحلیل داده های بزرگ در ژنومیکس: زیست شناسی محاسباتی/بیوانفورماتیک، داده کاوی و کشف دانش، آمار برای علوم زیستی، پزشکی، علوم بهداشتی، ژنتیک و دینامیک جمعیت
در صورت تبدیل فایل کتاب Big Data Analytics in Genomics به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل داده های بزرگ در ژنومیکس نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این جلد ارائه شده تقاطع در حال ظهور بین تجزیه و تحلیل داده
های بزرگ و ژنومیک را بررسی می کند. فنآوریهای توالییابی
اخیر، تولید دادههای توالییابی با کارایی بالا را برای
ژنومیکس امکانپذیر کرده است که منجر به چندین پروژه بینالمللی
میشود که منجر به تجمع گسترده دادههای ژنومی با سرعتی
بیسابقه شده است. برای آشکار کردن بینشهای جدید ژنومی از این
دادهها در یک چارچوب زمانی معقول، روشهای سنتی تجزیه و تحلیل
دادهها ممکن است کافی یا مقیاسپذیر نباشند، و نیاز به تجزیه و
تحلیل دادههای بزرگ را برای توسعه ژنومیکس وادار کند. روشهای
محاسباتی پرداختهشده در این کتاب برای مقابله با سؤالات
زیستشناختی حیاتی با استفاده از دادههای بزرگ در نظر گرفته
شده است و برای تازهواردها یا کهنهکاران در این زمینه مناسب
است. برزیل، چین، فرانسه، آلمان، هنگ کنگ، هند، ژاپن، اسپانیا و
ایالات متحده آمریکا. به طور خاص، این کتاب به بررسی سه حوزه
اصلی می پردازد: تجزیه و تحلیل آماری، تجزیه و تحلیل محاسباتی،
و تجزیه و تحلیل ژنوم سرطان. موضوعات نمونه تحت پوشش عبارتند
از: روشهای آماری برای تجزیه و تحلیل یکپارچه دادههای ژنومی،
روشهای محاسباتی برای پیشبینی عملکرد پروتئین، و دیدگاههایی
در مورد تکنیکهای یادگیری ماشین در دادهکاوی بزرگ سرطان. این
کتاب مستقل و مناسب برای دانشجویان فارغ التحصیل، همچنین برای
بیوانفورماتیکان، زیست شناسان محاسباتی و محققان در جوامعی از
ژنومیک، داده های بزرگ، ژنتیک مولکولی، داده کاوی، آمار زیستی،
علوم زیست پزشکی، تحقیقات سرطان، تحقیقات پزشکی و زیست شناسی
طراحی شده است. به یادگیری ماشین و علوم کامپیوتر. خوانندگان
این جلد را مطالعهای ضروری برای درک نقش دادههای بزرگ در
ژنومیک میدانند و این کتاب را به منبعی ارزشمند برای تحریک
تحقیقات بیشتر در مورد این موضوع تبدیل میکند.
This contributed volume explores the emerging intersection
between big data analytics and genomics. Recent sequencing
technologies have enabled high-throughput sequencing data
generation for genomics resulting in several international
projects which have led to massive genomic data accumulation
at an unprecedented pace. To reveal novel genomic insights
from this data within a reasonable time frame, traditional
data analysis methods may not be sufficient or scalable,
forcing the need for big data analytics to be developed for
genomics. The computational methods addressed in the book are
intended to tackle crucial biological questions using big
data, and are appropriate for either newcomers or veterans in
the field.This volume offers thirteen peer-reviewed
contributions, written by international leading experts from
different regions, representing Argentina, Brazil, China,
France, Germany, Hong Kong, India, Japan, Spain, and the USA.
In particular, the book surveys three main areas: statistical
analytics, computational analytics, and cancer genome
analytics. Sample topics covered include: statistical methods
for integrative analysis of genomic data, computation methods
for protein function prediction, and perspectives on machine
learning techniques in big data mining of cancer.
Self-contained and suitable for graduate students, this book
is also designed for bioinformaticians, computational
biologists, and researchers in communities ranging from
genomics, big data, molecular genetics, data mining,
biostatistics, biomedical science, cancer research, medical
research, and biology to machine learning and computer
science. Readers will find this volume to be an essential
read for appreciating the role of big data in genomics,
making this an invaluable resource for stimulating further
research on the topic.
Front Matter....Pages i-viii
Front Matter....Pages 1-1
Introduction to Statistical Methods for Integrative Data Analysis in Genome-Wide Association Studies....Pages 3-23
Robust Methods for Expression Quantitative Trait Loci Mapping....Pages 25-88
Causal Inference and Structure Learning of Genotype–Phenotype Networks Using Genetic Variation....Pages 89-143
Genomic Applications of the Neyman–Pearson Classification Paradigm....Pages 145-167
Front Matter....Pages 169-169
Improving Re-annotation of Annotated Eukaryotic Genomes....Pages 171-195
State-of-the-Art in Smith–Waterman Protein Database Search on HPC Platforms....Pages 197-223
A Survey of Computational Methods for Protein Function Prediction....Pages 225-298
Genome-Wide Mapping of Nucleosome Position and Histone Code Polymorphisms in Yeast....Pages 299-313
Front Matter....Pages 315-315
Perspectives of Machine Learning Techniques in Big Data Mining of Cancer....Pages 317-336
Mining Massive Genomic Data for Therapeutic Biomarker Discovery in Cancer: Resources, Tools, and Algorithms....Pages 337-355
NGS Analysis of Somatic Mutations in Cancer Genomes....Pages 357-372
OncoMiner: A Pipeline for Bioinformatics Analysis of Exonic Sequence Variants in Cancer....Pages 373-396
A Bioinformatics Approach for Understanding Genotype–Phenotype Correlation in Breast Cancer....Pages 397-428