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: [3 ed.]
نویسندگان: Tiago Antao
سری:
ISBN (شابک) : 1803236426, 9781803236421
ناشر: Packt Publishing
سال نشر: 2022
تعداد صفحات: 360
[361]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 24 Mb
در صورت تبدیل فایل کتاب Bioinformatics with Python Cookbook: Use modern Python libraries and applications to solve real-world computational biology problems, 3rd Edition 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 بیوانفورماتیک با کتاب آشپزی پایتون: استفاده از کتابخانهها و برنامههای کاربردی مدرن پایتون برای حل مسائل زیستشناسی محاسباتی دنیای واقعی، ویرایش سوم 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.
کشف کتابخانههای توالییابی مدرن و نسل بعدی از اکوسیستم پایتون برای تجزیه و تحلیل مقادیر زیادی از دادههای بیولوژیکی ویژگیهای کلیدی انجام تجزیه و تحلیل پیچیده بیوانفورماتیک با استفاده از مهمترین کتابخانهها و برنامههای کاربردی Python پیادهسازی نسل بعدی توالییابی، متاژنومیکس، تجزیه و تحلیل خودکار، ژنتیک جمعیت و موارد دیگر. تکنیک های آماری و یادگیری ماشینی برای تجزیه و تحلیل داده های بیوانفورماتیک شرح کتاب بیوانفورماتیک یک زمینه تحقیقاتی فعال است که از طیف وسیعی از محاسبات ساده تا پیشرفته برای استخراج اطلاعات ارزشمند از داده های بیولوژیکی استفاده می کند. این کتاب توالی یابی نسل بعدی، ژنومیک، متاژنومیکس، ژنتیک جمعیت، فیلوژنتیک و پروتئومیکس را پوشش می دهد. شما تکنیک های برنامه نویسی مدرن را برای تجزیه و تحلیل مقادیر زیادی از داده های بیولوژیکی یاد خواهید گرفت. با کمک مثالهای واقعی، مجموعه دادهها را با استفاده از ابزارها و کتابخانههای مختلف پایتون تبدیل، تجزیه و تحلیل و تجسم خواهید کرد. این کتاب به شما کمک میکند تا درک بهتری از کار با سرور Galaxy داشته باشید، که پرکاربردترین سیستم خط لوله مبتنی بر وب بیوانفورماتیک است. این نسخه به روز شده همچنین شامل تکنیک های پیشرفته فیلترینگ توالی نسل بعدی است. همچنین موضوعاتی مانند کشف SNP را با استفاده از رویکردهای آماری تحت چارچوبهای محاسباتی با کارایی بالا مانند Dask و Spark بررسی خواهید کرد. در پایان این کتاب، شما می توانید از تکنیک ها و چارچوب های برنامه نویسی مدرن برای مقابله با سیل روزافزون داده های بیوانفورماتیک استفاده و پیاده سازی کنید. آنچه یاد خواهید گرفت یاد بگیرید چگونه مجموعه داده های بزرگ توالی یابی نسل بعدی (NGS) را پردازش کنید کار با مجموعه داده های ژنومی با استفاده از فرمت های FASTQ، BAM، و VCF یادگیری انجام مقایسه توالی و بازسازی فیلوژنتیک انجام تجزیه و تحلیل پیچیده با داده های پروتمیک استفاده از Python برای تعامل با Galaxy سرورها از تکنیکهای محاسباتی با کارایی بالا با Dask و Spark استفاده میکنند تعاملات دادههای پروتئینی را با استفاده از Cytoscape استفاده کنید از PCA و Decision Trees، دو تکنیک یادگیری ماشینی، با مجموعه دادههای بیولوژیکی این کتاب برای چه کسی است. و توسعه دهندگان پایتون که می خواهند مشکلات بیولوژیکی و بیوانفورماتیکی متوسط تا پیشرفته را با استفاده از رویکرد مبتنی بر دستور العمل حل کنند. دانش کاری زبان برنامه نویسی پایتون انتظار می رود.
Discover modern, next-generation sequencing libraries from Python ecosystem to analyze large amounts of biological data Key Features Perform complex bioinformatics analysis using the most important Python libraries and applications Implement next-generation sequencing, metagenomics, automating analysis, population genetics, and more Explore various statistical and machine learning techniques for bioinformatics data analysis Book Description Bioinformatics is an active research field that uses a range of simple-to-advanced computations to extract valuable information from biological data. This book covers next-generation sequencing, genomics, metagenomics, population genetics, phylogenetics, and proteomics. You\'ll learn modern programming techniques to analyze large amounts of biological data. With the help of real-world examples, you\'ll convert, analyze, and visualize datasets using various Python tools and libraries. This book will help you get a better understanding of working with a Galaxy server, which is the most widely used bioinformatics web-based pipeline system. This updated edition also includes advanced next-generation sequencing filtering techniques. You\'ll also explore topics such as SNP discovery using statistical approaches under high-performance computing frameworks such as Dask and Spark. By the end of this book, you\'ll be able to use and implement modern programming techniques and frameworks to deal with the ever-increasing deluge of bioinformatics data. What you will learn Learn how to process large next-generation sequencing (NGS) datasets Work with genomic dataset using the FASTQ, BAM, and VCF formats Learn to perform sequence comparison and phylogenetic reconstruction Perform complex analysis with protemics data Use Python to interact with Galaxy servers Use High-performance computing techniques with Dask and Spark Visualize protein dataset interactions using Cytoscape Use PCA and Decision Trees, two machine learning techniques, with biological datasets Who this book is for This book is for Data data Scientistsscientists, Bioinformatics bioinformatics analysts, researchers, and Python developers who want to address intermediate-to-advanced biological and bioinformatics problems using a recipe-based approach. Working knowledge of the Python programming language is expected.
Cover Title Page Copyright and Credits Contributors Table of Contents Preface Chapter 1: Python and the Surrounding Software Ecology Installing the required basic software with Anaconda Getting ready How to do it... There’s more... Installing the required software with Docker Getting ready How to do it... See also Interfacing with R via rpy2 Getting ready How to do it... There’s more... See also Performing R magic with Jupyter Getting ready How to do it... There’s more... See also Chapter 2: Getting to Know NumPy, pandas, Arrow, and Matplotlib Using pandas to process vaccine-adverse events Getting ready How to do it... There’s more... See also Dealing with the pitfalls of joining pandas DataFrames Getting ready How to do it... There’s more... Reducing the memory usage of pandas DataFrames Getting ready How to do it… See also Accelerating pandas processing with Apache Arrow Getting ready How to do it... There’s more... Understanding NumPy as the engine behind Python data science and bioinformatics Getting ready How to do it… See also Introducing Matplotlib for chart generation Getting ready How to do it... There’s more... See also Chapter 3: Next-Generation Sequencing Accessing GenBank and moving around NCBI databases Getting ready How to do it... There’s more... See also Performing basic sequence analysis Getting ready How to do it... There’s more... See also Working with modern sequence formats Getting ready How to do it... There’s more... See also Working with alignment data Getting ready How to do it... There’s more... See also Extracting data from VCF files Getting ready How to do it... There’s more... See also Studying genome accessibility and filtering SNP data Getting ready How to do it... There’s more... See also Processing NGS data with HTSeq Getting ready How to do it... There’s more... Chapter 4: Advanced NGS Data Processing Preparing a dataset for analysis Getting ready How to do it… Using Mendelian error information for quality control How to do it… There’s more… Exploring the data with standard statistics How to do it… There’s more… Finding genomic features from sequencing annotations How to do it… There’s more… Doing metagenomics with QIIME 2 Python API Getting ready How to do it... There’s more... Chapter 5: Working with Genomes Technical requirements Working with high-quality reference genomes Getting ready How to do it... There’s more... See also Dealing with low-quality genome references Getting ready How to do it... There’s more... See also Traversing genome annotations Getting ready How to do it... There’s more... See also Extracting genes from a reference using annotations Getting ready How to do it... There’s more... See also Finding orthologues with the Ensembl REST API Getting ready How to do it... There’s more... Retrieving gene ontology information from Ensembl Getting ready How to do it... There’s more... See also Chapter 6: Population Genetics Managing datasets with PLINK Getting ready How to do it... There’s more... See also Using sgkit for population genetics analysis with xarray Getting ready How to do it... There’s more... Exploring a dataset with sgkit Getting ready How to do it... There’s more... See also Analyzing population structure Getting ready How to do it... See also Performing a PCA Getting ready How to do it... There’s more... See also Investigating population structure with admixture Getting ready How to do it... There’s more... Chapter 7: Phylogenetics Preparing a dataset for phylogenetic analysis Getting ready How to do it... There’s more... See also Aligning genetic and genomic data Getting ready How to do it... Comparing sequences Getting ready How to do it... There’s more... Reconstructing phylogenetic trees Getting ready How to do it... There’s more... Playing recursively with trees Getting ready How to do it... There’s more... Visualizing phylogenetic data Getting ready How to do it... There’s more... Chapter 8: Using the Protein Data Bank Finding a protein in multiple databases Getting ready How to do it... There’s more Introducing Bio.PDB Getting ready How to do it... There’s more Extracting more information from a PDB file Getting ready How to do it... Computing molecular distances on a PDB file Getting ready How to do it... Performing geometric operations Getting ready How to do it... There’s more Animating with PyMOL Getting ready How to do it... There’s more Parsing mmCIF files using Biopython Getting ready How to do it... There’s more Chapter 9: Bioinformatics Pipelines Introducing Galaxy servers Getting ready How to do it… There’s more Accessing Galaxy using the API Getting ready How to do it… Deploying a variant analysis pipeline with Snakemake Getting ready How to do it… There’s more Deploying a variant analysis pipeline with Nextflow Getting ready How to do it… There’s more Chapter 10: Machine Learning for Bioinformatics Introducing scikit-learn with a PCA example Getting ready How to do it... There’s more... Using clustering over PCA to classify samples Getting ready How to do it... There’s more... Exploring breast cancer traits using Decision Trees Getting ready How to do it... Predicting breast cancer outcomes using Random Forests Getting ready How to do it… There’s more... Chapter 11: Parallel Processing with Dask and Zarr Reading genomics data with Zarr Getting ready How to do it... There’s more... See also Parallel processing of data using Python multiprocessing Getting ready How to do it... There’s more... See also Using Dask to process genomic data based on NumPy arrays Getting ready How to do it... There’s more... See also Scheduling tasks with dask.distributed Getting ready How to do it... There’s more... See also Chapter 12: Functional Programming for Bioinformatics Understanding pure functions Getting ready How to do it... There’s more... Understanding immutability Getting ready How to do it... There’s more... Avoiding mutability as a robust development pattern Getting ready How to do it... There’s more... Using lazy programming for pipelining Getting ready How to do it... There’s more... The limits of recursion with Python Getting ready How to do it... There’s more... A showcase of Python’s functools module Getting ready How to do it... There’s more... See also... Index Other Books You May Enjoy