Weighted Network Analysis: Applications in Genomics and Systems Biology

این کتاب جدیدترین روش‌ها، نرم‌افزارها و برنامه‌های کاربردی پیرامون شبکه‌های وزنی را ارائه می‌کند. اکثر روش ها و نتایج برای شبکه های بدون وزن نیز اعمال می شود. اگرچه جنبه های تجزیه و تحلیل شبکه وزن دار به روش های استاندارد داده کاوی مربوط می شود، زبان شبکه بصری و چارچوب تجزیه و تحلیل فراتر از هر روش تجزیه و تحلیل خاصی است. شبکه‌های وزن‌دار باعث ایجاد روش‌های کاهش داده، روش‌های خوشه‌بندی، روش‌های تجسم، روش‌های اکتشافی داده‌ها و رویکردهای بصری برای یکپارچه‌سازی مجموعه‌های داده متفاوت می‌شوند. شبکه‌های وزن‌دار برای تجزیه و تحلیل مجموعه‌های داده‌های ژنومی با ابعاد بالا از جمله داده‌های بیان ژن، اپی ژنتیک، متیلاسیون، پروتئومیکس و fMRI استفاده شده‌اند. فصل ها ساختار توپولوژیکی جذاب شبکه های وزن دار را بررسی می کنند و تفاسیر هندسی روش های شبکه را ارائه می دهند. روش های تحلیلی قدرتمند در سطح سیستم از ترکیب شبکه با روش های داده کاوی حاصل می شود. این کتاب نه تنها بسته WGCNA R بلکه سایر بسته های نرم افزاری را نیز شرح می دهد. برنامه های کاربردی شبکه هم بیان ژن وزنی، مجموعه داده های واقعی و تمرین ها خواننده را در مورد نحوه استفاده از این روش ها در عمل راهنمایی می کند، به عنوان مثال. در کاربردهای سیستمی-بیولوژیکی یا سیستمی-ژنتیکی. مطالب مستقل است و فقط به حداقل دانش آماری نیاز دارد. این کتاب برای دانشجویان، اساتید و تحلیلگران داده در بسیاری از زمینه ها از جمله بیوانفورماتیک، زیست شناسی محاسباتی، آمار، علوم کامپیوتر، زیست شناسی، ژنتیک، ریاضیات کاربردی، فیزیک و علوم اجتماعی در نظر گرفته شده است.

This book presents state-of-the-art methods, software and applications surrounding weighted networks. Most methods and results also apply to unweighted networks. Although aspects of weighted network analysis relate to standard data mining methods, the intuitive network language and analysis framework transcend any particular analysis method. Weighted networks give rise to data reduction methods, clustering procedures, visualization methods, data exploratory methods, and intuitive approaches for integrating disparate data sets. Weighted networks have been used to analyze a variety of high dimensional genomic data sets including gene expression-, epigenetic-, methylation-, proteomics-, and fMRI- data. Chapters explore the fascinating topological structure of weighted networks and provide geometric interpretations of network methods. Powerful systems-level analysis methods result from combining network- with data mining methods. The book not only describes the WGCNA R package but also other software packages. Weighted gene co-expression network applications, real data sets, and exercises guide the reader on how to use these methods in practice, e.g. in systems-biologic or systems-genetic applications. The material is self-contained and only requires a minimum knowledge of statistics. The book is intended for students, faculty, and data analysts in many fields including bioinformatics, computational biology, statistics, computer science, biology, genetics, applied mathematics, physics, and social science.