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
دسته بندی: بیوتکنولوژی ویرایش: نویسندگان: Edward Curry 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
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.
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.
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.
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