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
ویرایش: 1 نویسندگان: Meghana Chitale, Daisuke Kihara (auth.), Daisuke Kihara (eds.) سری: ISBN (شابک) : 9400708807, 9789400708808 ناشر: Springer Netherlands سال نشر: 2011 تعداد صفحات: 325 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب پیش بینی عملکرد پروتئین برای دوران Omics: زیست پزشکی عمومی، بیوشیمی، عمومی، پروتئومیکس، بیوانفورماتیک، بیوتکنولوژی
در صورت تبدیل فایل کتاب Protein Function Prediction for Omics Era 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 پیش بینی عملکرد پروتئین برای دوران Omics 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.
حاشیه نویسی عملکرد ژن یک سوال اصلی در زیست شناسی مولکولی بوده است. اهمیت پیشبینی عملکرد محاسباتی در حال افزایش است زیرا دادههای بیولوژیکی در مقیاس بزرگتر، از جمله توالیهای ژنوم، ساختارهای پروتئین، دادههای برهمکنش پروتئین-پروتئین، دادههای بیان ریزآرایه و دادههای طیفسنجی جرمی، در انتظار تفسیر بیولوژیکی هستند. به طور سنتی وقتی یک ژنوم توالی یابی می شود، حاشیه نویسی عملکرد ژن ها با روش های جستجوی همسانی، مانند BLAST یا FASTA انجام می شود. با این حال، از آنجایی که این روش ها قبل از عصر ژنومیک توسعه یافته اند، استفاده متعارف از آنها لزوما برای تجزیه و تحلیل داده های در مقیاس بزرگ مناسب نیست. بنابراین، ما شاهد توسعه روشهای پیشبینی عملکرد ژن محاسباتی هستیم که برای تجزیه و تحلیل دادههای مقیاس بزرگ و همچنین آنهایی که از دادههای omics به عنوان منبع اضافی پیشبینی عملکرد استفاده میکنند، هدف قرار میگیرند. در این کتاب، به بررسی اجمالی این حوزه هیجان انگیز در حال ظهور می پردازیم. نویسندگان از 1) کسانی که روشهای محاسباتی جدید را توسعه میدهند، 2) کسانی که روشهای پیشبینی عملکرد را توسعه میدهند که از دادههای omics استفاده میکنند، 3) کسانی که پایگاه دادههای حاشیهنویسی عملکرد ارگانیسمهای مدل خاص را حفظ و به روز میکنند، انتخاب شدهاند (E. coli)، که اغلب ارجاع داده می شوند
Gene function annotation has been a central question in molecular biology. The importance of computational function prediction is increasing because more and more large scale biological data, including genome sequences, protein structures, protein-protein interaction data, microarray expression data, and mass spectrometry data, are awaiting biological interpretation. Traditionally when a genome is sequenced, function annotation of genes is done by homology search methods, such as BLAST or FASTA. However, since these methods are developed before the genomics era, conventional use of them is not necessarily most suitable for analyzing a large scale data. Therefore we observe emerging development of computational gene function prediction methods, which are targeted to analyze large scale data, and also those which use such omics data as additional source of function prediction. In this book, we overview this emerging exciting field. The authors have been selected from 1) those who develop novel purely computational methods 2) those who develop function prediction methods which use omics data 3) those who maintain and update data base of function annotation of particular model organisms (E. coli), which are frequently referred
Front Matter....Pages i-xiii
Computational Protein Function Prediction: Framework and Challenges....Pages 1-17
Enhanced Sequence-Based Function Prediction Methods and Application to Functional Similarity Networks....Pages 19-34
Gene Cluster Prediction and Its Application to Genome Annotation....Pages 35-54
Functional Inference in Microbial Genomics Based on Large-Scale Comparative Analysis....Pages 55-92
Predicting Protein Functional Sites with Phylogenetic Motifs: Past, Present and Beyond....Pages 93-105
Exploiting Protein Structures to Predict Protein Functions....Pages 107-123
Sequence Order Independent Comparison of Protein Global Backbone Structures and Local Binding Surfaces for Evolutionary and Functional Inference....Pages 125-143
Protein Binding Ligand Prediction Using Moments-Based Methods....Pages 145-163
Computational Methods for Predicting DNA-Binding Sites at a Genomic Scale....Pages 165-182
Electrostatic Properties for Protein Functional Site Prediction....Pages 183-196
Function Prediction of Genes: From Molecular Function to Cellular Function....Pages 197-214
Predicting Gene Function Using Omics Data: From Data Preparation to Data Integration....Pages 215-242
Protein Function Prediction Using Protein–Protein Interaction Networks....Pages 243-270
KEGG and GenomeNet Resources for Predicting Protein Function from Omics Data Including KEGG PLANT Resource....Pages 271-288
Towards Elucidation of the Escherichia coli K-12 Unknowneome....Pages 289-305
Back Matter....Pages 307-310