Genome Clustering: From Linguistic Models to Classification of Genetic Texts

مطالعه متون زبان در سطح مدل‌های غیر معنایی رسمی سابقه طولانی دارد. همین بس که زنجیر معروف مارکوف برای اولین بار به عنوان یکی از این مدل ها معرفی شد. نمایش داده‌های بیولوژیکی به‌عنوان متن و در نتیجه، کاربردهای مدل‌های تجزیه و تحلیل متن در زمینه ژنومیک مقایسه‌ای به‌طور اساسی جدیدتر است. با این حال روش ها به خوبی توسعه یافته اند. در این کتاب سعی شده است مدل های زبانی و بیوانفورماتیکی تحلیل متن را در کنار هم قرار دهیم. بنابراین، به یک معنا می توان آن را "در دو جهت" خواند - کتاب به گونه ای نوشته شده است که برای بیوانفورماتیکان، که ممکن است علاقه مند به یافتن تکنیک هایی باشد که در ابتدا در تجزیه و تحلیل زبان طبیعی ظاهر شده اند و زبان شناس محاسباتی، جذاب باشد. ، که ممکن است از کشف روش های آشنای مورد استفاده در بیوانفورماتیک شگفت زده شود. در ارائه مطالب، نویسندگان، با این وجود، زمینه حرفه ای خود - بیوانفورماتیک را ترجیح می دهند. بنابراین، حتی یک متخصص بیوانفورماتیک نیز می تواند چیز جدیدی را در این کتاب بیابد. به عنوان مثال، این کتاب شامل بررسی مدل های داده کاوی اصلی تولید کننده طیف متن است. فصول کتاب نه مهارت های ریاضی پیشرفته و نه دانش مبتدی از زیست شناسی مولکولی را در نظر گرفته اند. مفاهیم زیستی مرتبط در ابتدای کتاب معرفی شده است. چندین موضوع علوم کامپیوتر مرتبط با موضوعات کتاب در سه پیوست بررسی شده است: خوشه بندی، پیچیدگی توالی، و مدل سازی انحنای DNA.

The study of language texts at the level of formal non-semantic models has a long history. Suffice it to say that the well-known Markov chains were first introduced as one of such models. The representation of biological data as text and, consequently, applications of text-analysis models in the field of comparative genomics are substantially newer; nevertheless the methods are well developed. In this book, we try to juxtapose linguistic and bioinformatics models of text analysis. So, it can be read, in a sense, “in two directions” – the book is written so as to appeal to the bioinformatician, who may be interested in finding techniques that had initially appeared in the natural language analysis, and to computational linguist, who may be surprised to discover familiar methods used in bioinformatics. In the presentation of the material, the authors, nevertheless, give preference their professional field - bioinformatics. Therefore, even a specialist in bioinformatics can find something new himself in this book. For example, this book includes a review of the main data mining models generating the text spectra. The chapters of the book assume neither advanced mathematical skills nor beginner knowledge of molecular biology. Relevant biological concepts are introduced in the beginning of the book. Several computer science issues relevant to the topics of the book are reviewed in the three appendices: clustering, sequence complexity, and DNA curvature modeling.