Statistical Bioinformatics: A Guide for Life and Biomedical Science Researchers

ویرایش:  
 
سری:  
ISBN (شابک) : 9780471692720, 9780470567647 
ناشر:  Wiley-Blackwell 
سال نشر: 2010 
تعداد صفحات: 377 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 46 مگابایت 

قیمت کتاب (تومان) : 34,000

این کتاب یک درک اساسی از مفاهیم آماری لازم برای تجزیه و تحلیل داده های ژنومی و پروتئومی با استفاده از تکنیک های محاسباتی را ارائه می دهد. نویسنده هر دو موضوعات اساسی و پیشرفته را ارائه می دهد، با تمرکز بر مواردی که مربوط به تجزیه و تحلیل محاسباتی مجموعه داده های بزرگ در زیست شناسی است. فصل ها با شرح یک مفهوم آماری و یک مثال فعلی از تحقیقات زیست پزشکی آغاز می شوند و به دنبال آن ارائه مفصل تر، بحث در مورد محدودیت ها و مشکلات ارائه می شود. این کتاب با مقدمه‌ای بر احتمالات و آمار برای داده‌های کل ژنوم شروع می‌شود و به موضوعاتی مانند خوشه‌بندی، طبقه‌بندی، تجسم چند بعدی، طراحی آزمایشی، نمونه‌برداری مجدد آماری و تجزیه و تحلیل شبکه آماری می‌پردازد.

• به‌روشنی استفاده از ابزارهای بیوانفورماتیک در تحقیقات علوم زیستی را بدون نیاز به پیش‌زمینه پیشرفته در ریاضیات/آمار توضیح می‌دهد
• محققان زیست‌پزشکی و علوم زیستی را قادر می‌سازد تا اعتبار نتایج خود را با موفقیت ارزیابی کرده و استنباط کنند
• را قادر می‌سازد. محققان آماری و کمی برای یادگیری سریع مفاهیم و تکنیک های جدید آماری مناسب برای تجزیه و تحلیل داده های بیولوژیکی بزرگ
• رویکردهای آماری پرکاربرد را به دقت بازبینی می کند و محدودیت های آنها را در تجزیه و تحلیل داده های بیولوژیکی بزرگ برجسته می کند
• نمونه های برنامه نویسی و مجموعه داده ها را ارائه می دهد
• شامل مشکل فصل مجموعه‌ها، واژه‌نامه، فهرستی از نشانه‌های آماری، و ضمائم با ارجاع به مواد ریاضی و فنی پس‌زمینه
• دارای مواد تکمیلی، از جمله مجموعه داده‌ها، پیوندها، و یک بسته آماری در دسترس آنلاین

آماری بیوانفورماتیکیک کتاب درسی ایده‌آل برای دانشجویان پزشکی، علوم زیستی و مهندسی زیستی است که هدف آن محققانی است که از ابزارهای محاسباتی برای تجزیه و تحلیل داده‌های ژنومی، پروتئومی و بسیاری دیگر از داده‌های مولکولی با کارایی بالا استفاده می‌کنند. همچنین ممکن است به عنوان مقدمه ای سریع برای علم بیوانفورماتیک برای دانش آموزان آماری و محاسباتی و مخاطبانی باشد که قبلاً چنین وظایف تحلیلی را تجربه نکرده اند.
فصل 2 مفاهیم احتمالی و توزیع برای تجزیه و تحلیل داده های بیولوژیکی بزرگ (صفحات 7-55): Sooyoung Cheon
فصل 3 کنترل کیفیت داده های بیولوژیکی با توان عملیاتی بالا (صفحات 57-70): Paul D. Williams
فصل 4 آزمایش آماری و اهمیت برای تجزیه و تحلیل داده‌های بیولوژیکی بزرگ (صفحه‌های 71-88): هیونگ جون چو و وونسئوک سئو
فصل 5 خوشه‌بندی: یادگیری بدون نظارت در داده‌های بیولوژیکی بزرگ (صفحات 89-127): نبیل بلاسل، کریستا وانگ و Miroslava Cupelovic?Culf
طبقه بندی فصل 6: یادگیری تحت نظارت با داده های بیولوژیکی با ابعاد بالا (صفحه های 129-156): Hongshik Ahn و Hojin Moon
فصل 7 تجزیه و تحلیل چند بعدی و تجسم در داده های بزرگ زیست پزشکی (صفحه های 1844) : Jinwook Seo and Ben Shneiderman
فصل 8 مدل های آماری، استنتاج و الگوریتم ها برای تجزیه و تحلیل داده های بیولوژیکی بزرگ (صفحات 185-199): Debashis Ghosh، Seungyeoun Lee و Taesung Park
فصل 9 طرح های تجربی در مورد بالا؟ آزمایش‌ها (صفحه‌های 201–217): Xiangqin Cui
فصل 10 تکنیک‌های نمونه‌گیری مجدد آماری برای تجزیه و تحلیل داده‌های بیولوژیکی بزرگ (صفحه‌های 219-248): آنت ام. مولینارو و کارن لوستریتو
فصل 11 تجزیه و تحلیل شبکه آماری و روش‌های آماری (صفحات 249-282): یونگچول کیم، جائه کی لی، هاسئونگ کیم، آننامالای موتیاه و جینجر دیویس
فصل 12 روندها و چالش های آماری در مطالعات انجمن ژنومی (صفحات 283-308): نینگ سان و هونگیو ژائو
فصل 13 بسته‌های R و زیست‌رسانا در بیوانفورماتیک: به سوی زیست‌شناسی سیستم‌ها (صفحه‌های 309-338): نولویم لمور، مایکل لارنس، مراو بار، مونیش تواری و رابرت جنتلمن

This book provides an essential understanding of statistical concepts necessary for the analysis of genomic and proteomic data using computational techniques. The author presents both basic and advanced topics, focusing on those that are relevant to the computational analysis of large data sets in biology. Chapters begin with a description of a statistical concept and a current example from biomedical research, followed by more detailed presentation, discussion of limitations, and problems. The book starts with an introduction to probability and statistics for genome-wide data, and moves into topics such as clustering, classification, multi-dimensional visualization, experimental design, statistical resampling, and statistical network analysis.

• Clearly explains the use of bioinformatics tools in life sciences research without requiring an advanced background in math/statistics
• Enables biomedical and life sciences researchers to successfully evaluate the validity of their results and make inferences
• Enables statistical and quantitative researchers to rapidly learn novel statistical concepts and techniques appropriate for large biological data analysis
• Carefully revisits frequently used statistical approaches and highlights their limitations in large biological data analysis
• Offers programming examples and datasets
• Includes chapter problem sets, a glossary, a list of statistical notations, and appendices with references to background mathematical and technical material
• Features supplementary materials, including datasets, links, and a statistical package available online

Statistical Bioinformatics is an ideal textbook for students in medicine, life sciences, and bioengineering, aimed at researchers who utilize computational tools for the analysis of genomic, proteomic, and many other emerging high-throughput molecular data. It may also serve as a rapid introduction to the bioinformatics science for statistical and computational students and audiences who have not experienced such analysis tasks before.Content:
Chapter 1 Road to Statistical Bioinformatics (pages 1–6): Jae K. Lee
Chapter 2 Probability Concepts and Distributions for Analyzing Large Biological Data (pages 7–55): Sooyoung Cheon
Chapter 3 Quality Control of High?Throughput Biological Data (pages 57–70): Paul D. Williams
Chapter 4 Statistical Testing and Significance for Large Biological Data Analysis (pages 71–88): Hyung Jun Cho and Wonseok Seo
Chapter 5 Clustering: Unsupervised Learning in Large Biological Data (pages 89–127): Nabil Belacel, Christa Wang and Miroslava Cupelovic?Culf
Chapter 6 Classification: Supervised Learning with High?Dimensional Biological Data (pages 129–156): Hongshik Ahn and Hojin Moon
Chapter 7 Multidimensional Analysis and Visualization on Large Biomedical Data (pages 157–184): Jinwook Seo and Ben Shneiderman
Chapter 8 Statistical Models, Inference, and Algorithms for Large Biological Data Analysis (pages 185–199): Debashis Ghosh, Seungyeoun Lee and Taesung Park
Chapter 9 Experimental Designs on High?Throughput Biological Experiments (pages 201–217): Xiangqin Cui
Chapter 10 Statistical Resampling Techniques for Large Biological Data Analysis (pages 219–248): Annette M. Molinaro and Karen Lostritto
Chapter 11 Statistical Network Analysis for Biological Systems and Pathways (pages 249–282): Youngchul Kim, Jae K. Lee, Haseong Kim, Annamalai Muthiah and Ginger Davis
Chapter 12 Trends and Statistical Challenges in Genomewide Association Studies (pages 283–308): Ning Sun and Hongyu Zhao
Chapter 13 R and Bioconductor Packages in Bioinformatics: Towards Systems Biology (pages 309–338): Nolweim LeMeur, Michael Lawrence, Merav Bar, Muneesh Tewari and Robert Gentleman