ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Introduction to Bioinformatics with R: A Practical Guide for Biologists

دانلود کتاب مقدمه ای در بیوانفورماتیک با R: یک راهنمای عملی برای زیست شناسان

Introduction to Bioinformatics with R: A Practical Guide for Biologists

مشخصات کتاب

Introduction to Bioinformatics with R: A Practical Guide for Biologists

دسته بندی: بیوتکنولوژی
ویرایش:  
نویسندگان:   
سری: Chapman & Hall/CRC Computational Biology Series 
ISBN (شابک) : 1138498955, 9781138498952 
ناشر: Chapman and Hall/CRC 
سال نشر: 2020 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 43,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 16


در صورت تبدیل فایل کتاب Introduction to Bioinformatics with R: A Practical Guide for Biologists 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 مقدمه ای در بیوانفورماتیک با R: یک راهنمای عملی برای زیست شناسان 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.


توضیحاتی در مورد کتاب مقدمه ای در بیوانفورماتیک با R: یک راهنمای عملی برای زیست شناسان



در تحقیقات بیولوژیکی، میزان داده‌های در دسترس محققان طی سال‌های اخیر بسیار افزایش یافته است، به طوری که درک وضعیت فعلی هنر بدون تجربه و درک تجزیه و تحلیل داده‌ها و بیوانفورماتیک به طور فزاینده‌ای دشوار شده است. مقدمه ای بر بیوانفورماتیک با R: راهنمای عملی برای زیست شناسان خواننده را از طریق مبانی تجزیه و تحلیل محاسباتی داده هایی که در تحقیقات بیولوژیکی مدرن با آن مواجه می شوند هدایت می کند. بدون نیاز به تجربه قبلی در مورد آمار یا برنامه نویسی، خوانندگان توانایی برنامه ریزی تجزیه و تحلیل مناسب مجموعه داده های بیولوژیکی و استفاده از محیط برنامه نویسی R را برای انجام این تجزیه و تحلیل ها توسعه خواهند داد. این از طریق یک سری مطالعات موردی با استفاده از R برای پاسخ به سؤالات تحقیق با استفاده از مجموعه داده های زیست شناسی مولکولی به دست می آید. روش‌های آماری با کاربرد گسترده توضیح داده شده‌اند، از جمله همبستگی خطی و مبتنی بر رتبه، معیارهای فاصله و خوشه‌بندی سلسله مراتبی، آزمون فرضیه با استفاده از رگرسیون خطی، رگرسیون خطرات متناسب برای داده‌های بقا، و تجزیه و تحلیل مؤلفه‌های اصلی. سپس این روش‌ها به‌صورت مناسب در سراسر مطالعات موردی اعمال می‌شوند و نشان می‌دهند که چگونه می‌توان از آنها برای پاسخ به سؤالات تحقیق استفاده کرد.

ویژگی‌های کلیدی:

·         ارائه می‌دهد. دوره عملی در تجزیه و تحلیل داده های محاسباتی مناسب برای دانش آموزان یا محققینی که قبلاً در معرض برنامه نویسی رایانه ای قرار نگرفته اند.

·         مبانی نظری تکنیک های تجزیه و تحلیل آماری مورد استفاده در سراسر کتاب درسی را با جزئیات شرح می دهد، از اصول اولیه

< p>·         مراحلی از وظایف تجزیه و تحلیل داده را با استفاده از R و مجموعه داده‌های نمونه ارائه می‌کند. همه دستورات R ارائه و توضیح داده شده اند تا خواننده بتواند این وظایف را خودش انجام دهد.

·         از خروجی های طیف وسیعی از پلت فرم های زیست شناسی مولکولی از جمله متیلاسیون DNA و ریزآرایه های ژنوتیپ استفاده می کند. RNA-seq، توالی ژنوم، چیپ-seq و توالی بی سولفیت. و نمایشگرهای فنوتیپی با کارایی بالا.

·         نمونه‌های کارآمدی را ارائه می‌دهد که برای مشکلاتی که در تحقیقات سرطان با آن مواجه می‌شوند، ارائه می‌شود که می‌تواند در بسیاری از زمینه‌های زیست‌شناسی مولکولی و تحقیقات پزشکی نیز اعمال شود.

این کتاب طی سال‌ها با آموزش دانشمندان و پزشکان بیولوژیک برای تجزیه و تحلیل مجموعه داده‌های بزرگ موجود در پروژه‌های تحقیقاتی سرطان خود تهیه شده است. این برای استفاده به عنوان یک کتاب درسی یا به عنوان یک کتاب عملی برای دانشمندان زیست شناسی که به دنبال کسب مهارت های بیوانفورماتیک هستند مناسب است.


توضیحاتی درمورد کتاب به خارجی

In biological research, the amount of data available to researchers has increased so much over recent years, it is becoming increasingly difficult to understand the current state of the art without some experience and understanding of data analytics and bioinformatics. An Introduction to Bioinformatics with R: A Practical Guide for Biologists leads the reader through the basics of computational analysis of data encountered in modern biological research. With no previous experience with statistics or programming required, readers will develop the ability to plan suitable analyses of biological datasets, and to use the R programming environment to perform these analyses. This is achieved through a series of case studies using R to answer research questions using molecular biology datasets. Broadly applicable statistical methods are explained, including linear and rank-based correlation, distance metrics and hierarchical clustering, hypothesis testing using linear regression, proportional hazards regression for survival data, and principal component analysis. These methods are then applied as appropriate throughout the case studies, illustrating how they can be used to answer research questions.

Key Features:

·         Provides a practical course in computational data analysis suitable for students or researchers with no previous exposure to computer programming.

·         Describes in detail the theoretical basis for statistical analysis techniques used throughout the textbook, from basic principles

·         Presents walk-throughs of data analysis tasks using R and example datasets. All R commands are presented and explained in order to enable the reader to carry out these tasks themselves.

·         Uses outputs from a large range of molecular biology platforms including DNA methylation and genotyping microarrays; RNA-seq, genome sequencing, ChIP-seq and bisulphite sequencing; and high-throughput phenotypic screens.

·         Gives worked-out examples geared towards problems encountered in cancer research, which can also be applied across many areas of molecular biology and medical research.

This book has been developed over years of training biological scientists and clinicians to analyse the large datasets available in their cancer research projects. It is appropriate for use as a textbook or as a practical book for biological scientists looking to gain bioinformatics skills.



فهرست مطالب

Cover
Half Title
Series Page
Title Page
Copyright Page
Contents
Acknowledgements
1. Introduction
	1.1 Why informatics is important for biologists
	1.2 How to use this book
2. Introduction to R
	2.1 Obtaining R
		2.1.1 Downloading R
		2.1.2 Installing R
	2.2 R console
		2.2.1 Starting the R console
	2.3 The R workspace
		2.3.1 Creating/deleting objects
		2.3.2 The working directory
	2.4 Data handling
		2.4.1 Basic data types
		2.4.2 Vectors
		2.4.3 Arrays
		2.4.4 Lists
		2.4.5 Data frames
		2.4.6 Data input/output
	2.5 More advanced concepts: Scripts and functions
		2.5.1 Simple scripts
		2.5.2 Functions
		2.5.3 Using `apply\'
			2.5.3.1 apply
			2.5.3.2 sapply
			2.5.3.3 lapply
			2.5.3.4 mapply
	2.6 Plots
		2.6.1 Simple scatterplot
		2.6.2 Arguments of plot()
		2.6.3 Multiple plots on one graph
		2.6.4 Scatterplots of multiple variables
		2.6.5 Box plots
		2.6.6 Saving images to file
	2.7 More advanced graphics with ggplot2
	2.8 Using R help
3. An Introduction to LINUX for Biological Research
	3.1 UNIX
	3.2 Linux survival guide
	3.3 Useful dependencies and programs
4. Statistical Methods for Data Analysis
	4.1 What are statistical methods, and why do we use them in biological research?
		4.1.1 A worked example
		4.1.2 A brief summary
	4.2 What do I need to understand statistics?
		4.2.1 Probability
			4.2.1.1 Random variables
			4.2.1.2 Probability distributions
			4.2.1.3 Hypothesis testing
		4.2.2 Linear algebra
		4.2.3 Summary
	4.3 Normalization: Removing technical variation
		4.3.1 Centering and scaling
		4.3.2 An illustrative example
		4.3.3 Quantile normalization
		4.3.4 Batch effects
	4.4 Correlation
		4.4.1 Pearson correlation coefficient
		4.4.2 Spearman\'s rank correlation
		4.4.3 Examples
	4.5 Clustering
		4.5.1 Clustering illustration using R
	4.6 Linear regression models
		4.6.1 Limma
			4.6.1.1 Installing limma
			4.6.1.2 Categorical explanatory variables
			4.6.1.3 Continuous explanatory variables
	4.7 Multiple hypothesis testing
	4.8 Survival analysis
		4.8.1 Kaplan-Meier plots
		4.8.2 Cox proportional hazards regression models
	4.9 Projection methods
		4.9.1 PCA
		4.9.2 PLS
	4.10 Resampling: Permutation tests and the bootstrap
	4.11 Stability and robustness
	4.12 Summary
5. Analyzing Generic Tabular Numeric Datasets in R
	5.1 Introduction
	5.2 Loading data into R
	5.3 Data visualisation
		5.3.1 Scatter plots
		5.3.2 Box plots
		5.3.3 Bar charts
	5.4 Correlation and clustering
		5.4.1 Correlation
		5.4.2 Clustering
		5.4.3 Heatmaps
	5.5 Statistical analysis using linear models
		5.5.1 Comparison of two groups
		5.5.2 Alternative models
	5.6 Summary
6. Functional Enrichment Analysis
	6.1 Introduction
	6.2 Loading gene sets into R
	6.3 Over-representation
		6.3.1 Online tools
		6.3.2 Testing gene sets in R
	6.4 Systematic enrichment
		6.4.1 Online tools
		6.4.2 Testing gene sets in R
	6.5 Summary
7. Integrating Multiple Datasets in R
	7.1 Introduction
	7.2 Data import
	7.3 Exploratory data analysis
	7.4 Integrating multiple datasets
		7.4.1 Survival analysis
	7.5 Multiple molecular endpoints
	7.6 Summary
8. Analyzing Microarray Data in R
	8.1 Bioconductor
	8.2 Accessing microarray data from GEO
	8.3 Single-channel array analysis
	8.4 Loading data
	8.5 Data visualisation
		8.5.1 Image plots
		8.5.2 MA plots
		8.5.3 Scatterplots
		8.5.4 Box plots
	8.6 Normalizing data
	8.7 Differential expression (linear models)
		8.7.1 Design matrix
		8.7.2 Fitting linear models
		8.7.3 Making use of the results
		8.7.4 Postscript: Assumptions
	8.8 Clustering and correlation
		8.8.1 Expression profiles
		8.8.2 Correlation
	8.9 Clustering
		8.9.1 Filtering
	8.10 Survival analysis
		8.10.1 Kaplan-Meier plots
		8.10.2 Cox proportional hazards regression
	8.11 Footnote: Correlation to explore associated functions
9. Analyzing DNA Methylation Microarray Data in R
	9.1 Introduction
	9.2 Importing raw data
	9.3 Quality control
	9.4 Normalization and estimating methylation level
	9.5 Analyzing beta values
	9.6 Using previously preprocessed data
	9.7 Further analyses using minfi
10. DNA Analysis with Microarrays
	10.1 Introduction
	10.2 Genotyping
		10.2.1 Normalization
		10.2.2 Genotype calling
		10.2.3 Downstream analysis: Genome-wide association tests
	10.3 Copy number analysis
		10.3.1 Normalization
		10.3.2 Copy number estimation
		10.3.3 Segmentation
			10.3.3.1 Hidden Markov model
			10.3.3.2 Circular binary segmentation
		10.3.4 Downstream analysis
			10.3.4.1 Mapping CNA data to genes
			10.3.4.2 Finding frequently-mutated genes
	10.4 Summary
11. Working with Sequencing Data
	11.1 Introduction
	11.2 Sequence data analysis tasks
	11.3 Quality control
		11.3.1 Base call quality filtering
		11.3.2 Adapter trimming
	11.4 Alignment
		11.4.1 Bowtie
		11.4.2 BWA
		11.4.3 Post-alignment filtering
		11.4.4 Removing duplicate reads
	11.5 Obtaining sequencing data from the SRA
12. Genomic Sequence Profiling
	12.1 Introduction
	12.2 SNV: Single nucleotide variants
	12.3 Variant filtering and annotation
	12.4 Indels: Short insertions and deletions
	12.5 SV: Structural variants
	12.6 Making use of variant calls
	12.7 Summary
13. ChIP-seq
	13.1 Introduction
	13.2 Cross-correlation
	13.3 Filtering blacklisted reads
	13.4 Peak calling
	13.5 Peak annotation
	13.6 Quantitative comparisons of ChIP-seq libraries
	13.7 Summary
14. RNA-seq
	14.1 Introduction
	14.2 Obtaining RNA-seq data from GEO
	14.3 Transcript quantification via pseudoalignment
		14.3.1 Building a transcript index
		14.3.2 Quantifying transcripts using reads
		14.3.3 Downstream analysis
	14.4 Analysis with transcriptome assembly
		14.4.1 Building the transcriptome directly
		14.4.2 Transcript quantification
		14.4.3 Downstream analysis
	14.5 Summary
15. Bisulphite Sequencing
	15.1 Introduction
	15.2 Alignment and methylation calls
	15.3 Downstream analysis
	15.4 Summary
16. Final Notes
Index




نظرات کاربران