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: سایبرنتیک ویرایش: نویسندگان: Dan Gusfield سری: ISBN (شابک) : 0262027526, 9780262027526 ناشر: The MIT Press سال نشر: 2014 تعداد صفحات: 600 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
در صورت تبدیل فایل کتاب ReCombinatorics: The Algorithmics of Ancestral Recombination Graphs and Explicit Phylogenetic Networks 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 Recombinatorics: الگوریتم نمودارهای نوترکیبی اجدادی و شبکه های فیلوژنتیک صریح 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 این کتاب، دن گاسفیلد الگوریتمهای ترکیبی را برای ساخت شبکههای فیلوژنتیکی تبارشناسی و دقیق، به ویژه نمودارهای نوترکیبی اجدادی (ARGs) بررسی میکند. الگوریتمها شبکههایی (یا اطلاعاتی درباره شبکهها) تولید میکنند که به عنوان فرضیههایی در مورد تاریخچه تبارشناسی واقعی توالیهای بیولوژیکی مشاهدهشده عمل میکنند و میتوانند برای مسائل زیستشناختی عملی اعمال شوند.
درختان فیلوژنتیک ابزار سنتی برای نمایش تاریخ تکاملی بودهاند. ، اما درک روزافزونی وجود دارد که اغلب به شبکه ها به جای درختان نیاز است، به ویژه در تاریخ اخیر بشر. این منجر به توسعه ARGs در ژنتیک جمعیت و به طور گسترده تر، به شبکه های فیلوژنتیکی شده است. ReCombinatorics یک بررسی عمیق و دقیق از تحقیقات فعلی در مورد ساختار ترکیبی و گراف نظری ARGs و شبکههای فیلوژنتیک صریح و الگوریتمهایی برای بازسازی یا استنتاج اطلاعات در مورد آن شبکهها ارائه میدهد.
ReCombinatorics، سهمی نوآورانه در زمینه نوظهور شبکههای فیلوژنتیک، موضوعاتی را در ژنتیک جمعیت و فیلوژنتیک که به طور سنتی به طور جداگانه مورد بحث قرار میگرفتند و نامرتبط تلقی میشدند، به هم متصل و متحد میکند. این مواد پس زمینه ترکیبی و الگوریتمی لازم را پوشش می دهد. پدیده های مختلف بیولوژیکی؛ مدلهای ریاضی، ژنتیکی و فیلوژنتیکی جمعیت که عناصر اساسی این پدیدهها را در بر میگیرد. مسائل ترکیبی و الگوریتمی که از این مدل ها به دست می آیند. نتایج نظری به دست آمده؛ نرم افزار مربوطه که توسعه یافته است؛ و برخی آزمایشات تجربی نرم افزار بر روی داده های بیولوژیکی شبیه سازی شده و واقعی.
In this book, Dan Gusfield examines combinatorial algorithms to construct genealogical and exact phylogenetic networks, particularly ancestral recombination graphs (ARGs). The algorithms produce networks (or information about networks) that serve as hypotheses about the true genealogical history of observed biological sequences and can be applied to practical biological problems.
Phylogenetic trees have been the traditional means to represent evolutionary history, but there is a growing realization that networks rather than trees are often needed, most notably for recent human history. This has led to the development of ARGs in population genetics and, more broadly, to phylogenetic networks. ReCombinatorics offers an in-depth, rigorous examination of current research on the combinatorial, graph-theoretic structure of ARGs and explicit phylogenetic networks, and algorithms to reconstruct or deduce information about those networks.
ReCombinatorics, a groundbreaking contribution to the emerging field of phylogenetic networks, connects and unifies topics in population genetics and phylogenetics that have traditionally been discussed separately and considered to be unrelated. It covers the necessary combinatorial and algorithmic background material; the various biological phenomena; the mathematical, population genetic, and phylogenetic models that capture the essential elements of these phenomena; the combinatorial and algorithmic problems that derive from these models; the theoretical results that have been obtained; related software that has been developed; and some empirical testing of the software on simulated and real biological data.