Computational Medicine: Tools and Challenges

روش‌های محاسباتی و مدل‌سازی نقش فزاینده‌ای برای بررسی مکانیسم‌ها، و برای تشخیص و درمان بیماری‌های انسانی ایفا می‌کنند. این پیشرفت باعث ظهور پزشکی محاسباتی شد، یک رشته بین رشته ای در رابط علوم کامپیوتر و پزشکی. تمرکز اصلی پزشکی محاسباتی در توسعه روش های تجزیه و تحلیل داده ها و مدل سازی ریاضی و همچنین تکنیک های شبیه سازی محاسباتی به ویژه مشکلات پزشکی است. در این کتاب تعدادی از موضوعات پزشکی محاسباتی را در چندین مقیاس ارائه می کنیم: از مولکول ها گرفته تا سلول ها، اندام ها و موجودات. در سطح مولکولی، ابزارهایی برای تجزیه و تحلیل تغییرات ژنوم و همچنین منابع محاسبات ابری برای ژنتیک پزشکی بررسی می‌شوند. سپس، تجزیه و تحلیل داده‌های بیان ژن و کاربرد آن برای توصیف جوامع میکروبی برجسته می‌شود. در سطح پروتئین، دو نوع تجزیه و تحلیل برای داده‌های طیف‌سنجی جرمی بررسی می‌شود: پروتئومیکس کمی و لیپیدومیکس، به دنبال آن تجزیه و تحلیل توالی پروتئین و ساختار سه بعدی و فصل طراحی دارو. در نهایت، سه فصل در مورد کاربردهای بالینی بر ادغام داده‌های بیومولکولی و بالینی برای تحقیقات سرطان، کشف نشانگرهای زیستی و روش‌های مبتنی بر شبکه برای تشخیص محاسباتی تمرکز دارد.

Computational methodologies and modeling play a growing role for investigating mechanisms, and for the diagnosis and therapy of human diseases. This progress gave rise to computational medicine, an interdisciplinary field at the interface of computer science and medicine. The main focus of computational medicine lies in the development of data analysis methods and mathematical modeling as well as computational simulation techniques specifically addressing medical problems. In this book, we present a number of computational medicine topics at several scales: from molecules to cells, organs, and organisms. At the molecular level, tools for the analysis of genome variations as well as cloud computing resources for medical genetics are reviewed. Then, an analysis of gene expression data and the application to the characterization of microbial communities are highlighted. At the protein level, two types of analyses for mass spectrometry data are reviewed: labeled quantitative proteomics and lipidomics, followed by protein sequence analysis and a 3D structure and drug design chapter. Finally, three chapters on clinical applications focus on the integration of biomolecular and clinical data for cancer research, biomarker discovery, and network-based methods for computational diagnostics.