Computational Genomics with R

ژنومیکس محاسباتی با R نقطه شروعی را برای مبتدیان در تجزیه و تحلیل داده های ژنومی فراهم می کند و همچنین متخصصان پیشرفته تر را به سمت تکنیک های پیچیده تجزیه و تحلیل داده ها در ژنومیک راهنمایی می کند. این کتاب موضوعاتی از برنامه نویسی R، یادگیری ماشین و آمار، تا آخرین تکنیک های تجزیه و تحلیل داده های ژنومی را پوشش می دهد. متن اطلاعات و توضیحات قابل دسترسی را ارائه می دهد، همیشه با زمینه ژنومیک در پس زمینه. این همچنین شامل مثال های عملی و مستند در R است تا خوانندگان بتوانند داده های خود را به سادگی با استفاده مجدد از کد ارائه شده تجزیه و تحلیل کنند. از آنجایی که زمینه ژنومیک محاسباتی بین رشته ای است، برای افراد با پیشینه های مختلف به نقاط شروع متفاوتی نیاز دارد. به عنوان مثال، یک زیست شناس ممکن است بخش های مربوط به زیست شناسی ژنوم پایه را نادیده بگیرد و با برنامه نویسی R شروع کند، در حالی که یک دانشمند کامپیوتر ممکن است بخواهد با زیست شناسی ژنوم شروع کند.

پس از خواندن:

• شما اصول اولیه R را خواهید داشت و می‌توانید درست شیرجه بزنید به استفاده های تخصصی از R برای ژنومیک محاسباتی مانند استفاده از بسته های Bioconductor.
• شما با آمار، تکنیک های یادگیری تحت نظارت و بدون نظارت که مهم هستند آشنا خواهید شد. در مدل‌سازی داده‌ها و تجزیه و تحلیل اکتشافی داده‌های با ابعاد بالا.
• شما فواصل ژنومی و عملیات روی آنها را که برای کارهایی مانند استفاده می‌شود، درک خواهید کرد. شمارش خواندن تراز و حاشیه‌نویسی ویژگی ژنومی.
• شما اصول اولیه پردازش و بررسی کیفیت داده‌های توالی‌یابی پرتوان را خواهید دانست.< /span>
• شما می‌توانید تجزیه و تحلیل توالی انجام دهید، مانند محاسبه محتوای GC برای بخش‌هایی از ژنوم یا یافتن مکان‌های اتصال فاکتور رونویسی.
• شما در مورد تکنیک‌های تجسم مورد استفاده در ژنومیک، مانند نقشه‌های حرارتی، نمودارهای متا ژن و تجسم مسیر ژنومی، خواهید دانست.
<. li>شما با تجزیه و تحلیل مجموعه داده های مختلف توالی یابی با کارایی بالا، مانند RNA-seq، ChIP-seq، و BS-seq آشنا خواهید شد.
• شما تکنیک های اساسی برای یکپارچه سازی و تفسیر مجموعه داده های چند omics را می دانید.

آلتونا آکالین یک گروه است. رهبر و رئیس پلتفرم علوم داده های بیوانفورماتیک و Omics در موسسه زیست شناسی سیستم های پزشکی برلین، مرکز ماکس دلبروک، برلین. او از سال 2002 روش‌های محاسباتی را برای تجزیه و تحلیل و ادغام مجموعه‌های داده‌های ژنومیک در مقیاس بزرگ توسعه داده است. چارچوب این کتاب از دوره های سالانه ژنومیک محاسباتی که او از سال 2015 سازماندهی و تدریس کرده است، شکل گرفت.

Computational Genomics with R provides a starting point for beginners in genomic data analysis and also guides more advanced practitioners to sophisticated data analysis techniques in genomics. The book covers topics from R programming, to machine learning and statistics, to the latest genomic data analysis techniques. The text provides accessible information and explanations, always with the genomics context in the background. This also contains practical and well-documented examples in R so readers can analyze their data by simply reusing the code presented. As the field of computational genomics is interdisciplinary, it requires different starting points for people with different backgrounds. For example, a biologist might skip sections on basic genome biology and start with R programming, whereas a computer scientist might want to start with genome biology.

After reading:

• You will have the basics of R and be able to dive right into specialized uses of R for computational genomics such as using Bioconductor packages.
• You will be familiar with statistics, supervised and unsupervised learning techniques that are important in data modeling, and exploratory analysis of high-dimensional data.
• You will understand genomic intervals and operations on them that are used for tasks such as aligned read counting and genomic feature annotation.
• You will know the basics of processing and quality checking high-throughput sequencing data.
• You will be able to do sequence analysis, such as calculating GC content for parts of a genome or finding transcription factor binding sites.
• You will know about visualization techniques used in genomics, such as heatmaps, meta-gene plots, and genomic track visualization.
• You will be familiar with analysis of different high-throughput sequencing data sets, such as RNA-seq, ChIP-seq, and BS-seq.
• You will know basic techniques for integrating and interpreting multi-omics datasets.

Altuna Akalin is a group leader and head of the Bioinformatics and Omics Data Science Platform at the Berlin Institute of Medical Systems Biology, Max Delbrück Center, Berlin. He has been developing computational methods for analyzing and integrating large-scale genomics data sets since 2002. He has published an extensive body of work in this area. The framework for this book grew out of the yearly computational genomics courses he has been organizing and teaching since 2015.