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:
نویسندگان: Tiago Antao
سری:
ISBN (شابک) : 9781782175117
ناشر: Packt Publishing
سال نشر: 2015
تعداد صفحات: 306
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
در صورت تبدیل فایل کتاب Bioinformatics with Python Cookbook: Learn how to use modern Python bioinformatics libraries and applications to do cutting-edge research in computational biology 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 کتاب آشپزی بیوانفورماتیک با پایتون: یاد بگیرید چگونه از کتابخانه ها و برنامه های کاربردی بیوانفورماتیک مدرن پایتون برای انجام تحقیقات پیشرفته در زیست شناسی محاسباتی استفاده کنید. 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.
اگر شما یک زیست شناس محاسباتی یا یک برنامه نویس پایتون هستید، احتمالاً با عبارت "رشد انفجاری، زمان های هیجان انگیز" ارتباط دارید. پایتون مسلماً زبان برنامه نویسی اصلی برای داده های بزرگ است و سیل داده ها در زیست شناسی، عمدتاً از ژنومیک و پروتئومیکس، بیوانفورماتیک را به یکی از هیجان انگیزترین رشته ها در علم داده تبدیل می کند. با استفاده از دستور العمل های عملی در این کتاب، می توانید تحقیقات و تجزیه و تحلیل عملی در زیست شناسی محاسباتی با پایتون انجام دهید. ما کتابخانههای توالییابی مدرن و نسل بعدی را پوشش میدهیم و نمونههای واقعی در مورد نحوه مدیریت دادههای واقعی را بررسی میکنیم. تمرکز اصلی کتاب کاربرد عملی بیوانفورماتیک است، اما ما همچنین تکنیکها و چارچوبهای برنامهنویسی مدرن را برای مقابله با سیل روزافزون دادههای بیوانفورماتیک پوشش میدهیم.
If you are either a computational biologist or a Python programmer, you will probably relate to the expression "explosive growth, exciting times". Python is arguably the main programming language for big data, and the deluge of data in biology, mostly from genomics and proteomics, makes bioinformatics one of the most exciting fields in data science. Using the hands-on recipes in this book, you'll be able to do practical research and analysis in computational biology with Python. We cover modern, next-generation sequencing libraries and explore real-world examples on how to handle real data. The main focus of the book is the practical application of bioinformatics, but we also cover modern programming techniques and frameworks to deal with the ever increasing deluge of bioinformatics data.
Cover Copyright Credits About the Author About the Reviewers www.PacktPub.com Table of Contents Preface Chapter 1: Python and the Surrounding Software Ecology Introduction Installing the required software with Anaconda Installing the required software with Docker Interfacing with R via rpy2 Performing R magic with IPython Chapter 2: Next-generation Sequencing Introduction Accessing GenBank and moving around NCBI databases Performing basic sequence analysis Working with modern sequence formats Working with alignment data Analyzing data in variant call format Studying genome accessibility and filtering SNP data Chapter 3: Working with Genomes Introduction Working with high-quality reference genomes Dealing with low-quality genome references Traversing genome annotations Extracting genes from a reference using annotations Finding orthologues with the Ensembl REST API Retrieving gene ontology information from Ensembl Chapter 4: Population Genetics Introduction Managing datasets with PLINK Introducing the Genepop format Exploring a dataset with Bio.PopGen Computing F-statistics Performing Principal Components Analysis Investigating population structure with Admixture Chapter 5: Population Genetics Simulation Introduction Introducing forward-time simulations Simulating selection Simulating population structure using island and stepping-stone models Modeling complex demographic scenarios Simulating the coalescent with Biopython and fastsimcoal Chapter 6: Phylogenetics Introduction Preparing the Ebola dataset Aligning genetic and genomic data Comparing sequences Reconstructing phylogenetic trees Playing recursively with trees Visualizing phylogenetic data Chapter 7: Using the Protein Data Bank Introduction Finding a protein in multiple databases Introducing Bio.PDB Extracting more information from a PDB file Computing molecular distances on a PDB file Performing geometric operations Implementing a basic PDB parser Animating with PyMol Parsing mmCIF files using Biopython Chapter 8: Other Topics in Bioinformatics Introduction Accessing the Global Biodiversity Information Facility Geo-referencing GBIF datasets Accessing molecular-interaction databases with PSIQUIC Plotting protein interactions with Cytoscape the hard way Chapter 9: Python for Big Genomics Datasets Introduction Setting the stage for high-performance computing Designing a poor human concurrent executor Performing parallel computing with IPython Computing the median in a large dataset Optimizing code with Cython and Numba Programming with laziness Thinking with generators Index