دانلود کتاب A Practical Approach to Microarray Data Analysis
کتاب یک رویکرد عملی برای تجزیه و تحلیل داده های ریزآرایه نسخه زبان اصلی
دانلود کتاب یک رویکرد عملی برای تجزیه و تحلیل داده های ریزآرایه بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب A Practical Approach to Microarray Data Analysis
نام کتاب : A Practical Approach to Microarray Data Analysis
ویرایش : 1
عنوان ترجمه شده به فارسی : یک رویکرد عملی برای تجزیه و تحلیل داده های ریزآرایه
سری :
نویسندگان : Werner Dubitzky, Martin Granzow (auth.), Daniel P. Berrar, Werner Dubitzky, Martin Granzow (eds.)
ناشر : Springer US
سال نشر : 2003
تعداد صفحات : 381
ISBN (شابک) : 9781402072604 , 9780306478154
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 12 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
در چند سال گذشته، فناوری ریزآرایه DNA توجه زیادی را هم در جامعه علمی و هم در صنعت به خود جلب کرده است. این فناوری مدرن با توانایی خود در اندازه گیری همزمان فعالیت و تعامل هزاران ژن، بینش های بی سابقه جدیدی را در مورد مکانیسم های سیستم های زنده نوید می دهد. در حال حاضر، کاربردهای اولیه ریزآرایه ها شامل کشف ژن، تشخیص و پیش آگهی بیماری، کشف دارو (فارماکوژنومیک) و تحقیقات سم شناسی (توکسیکوژنومیکس) است. وظایف علمی معمولی که توسط آزمایش‌های ریزآرایه پرداخته می‌شود شامل شناسایی ژن‌های هم‌اکسپرس، کشف نمونه یا گروه‌های ژنی با الگوهای بیان مشابه، شناسایی ژن‌هایی است که الگوهای بیان آن‌ها با توجه به مجموعه‌ای از موجودیت‌های بیولوژیکی مشخص (مانند انواع تومور) بسیار متمایز است. و مطالعه الگوهای فعالیت ژن تحت شرایط مختلف استرس (به عنوان مثال، درمان شیمیایی). اخیراً، کشف، مدل‌سازی و شبیه‌سازی شبکه‌های ژن تنظیم‌کننده، و نقشه‌برداری داده‌های بیان به مسیرهای متابولیک و مکان‌های کروموزوم به فهرست کارهای علمی که توسط فناوری ریزآرایه انجام می‌شود، اضافه شده است. هر وظیفه علمی مربوط به یک یا چند کار به اصطلاح تجزیه و تحلیل داده است. انواع مختلف سؤالات علمی به مجموعه های متفاوتی از تکنیک های تحلیل داده ها نیاز دارند. به طور کلی، دو دسته از وظایف تجزیه و تحلیل داده های ابتدایی وجود دارد، مدل سازی پیش بینی و تشخیص الگو. وظایف مدل‌سازی پیش‌بینی‌کننده به یادگیری یک تابع طبقه‌بندی یا تخمین مربوط می‌شود، در حالی که روش‌های تشخیص الگو، داده‌های موجود را برای نظم‌ها یا روابط جالب و ناشناخته قبلی بررسی می‌کنند.
فهرست مطالب :
Introduction to Microarray Data Analysis....Pages 1-46
Data Pre-Processing Issues in Microarray Analysis....Pages 47-64
Missing Value Estimation....Pages 65-75
Normalization....Pages 76-90
Singular Value Decomposition and Principal Component Analysis....Pages 91-109
Feature Selection in Microarray Analysis....Pages 110-131
Introduction to Classification in Microarray Experiments....Pages 132-149
Bayesian Network Classifiers for Gene Expression Analysis....Pages 150-165
Classifying Microarray Data Using Support Vector Machines....Pages 166-185
Weighted Flexible Compound Covariate Method for Classifying Microarray Data....Pages 186-200
Classification of Expression Patterns Using Artificial Neural Networks....Pages 201-215
Gene Selection and Sample Classification Using a Genetic Algorithm and k -Nearest Neighbor Method....Pages 216-229
Clustering Genomic Expression Data: Design and Evaluation Principles....Pages 230-245
Clustering or Automatic Class Discovery: Hierarchical Methods....Pages 246-260
Discovering Genomic Expression Patterns with Self-Organizing Neural Networks....Pages 261-273
Clustering or Automatic Class Discovery: Non-Hierarchical, non-SOM....Pages 274-288
Correlation and Association Analysis....Pages 289-305
Global Functional Profiling of Gene Expression Data....Pages 306-325
Microarray Software Review....Pages 326-344
Microarray Analysis as a Process....Pages 345-360
توضیحاتی در مورد کتاب به زبان اصلی :
In the past several years, DNA microarray technology has attracted tremendous interest in both the scientific community and in industry. With its ability to simultaneously measure the activity and interactions of thousands of genes, this modern technology promises unprecedented new insights into mechanisms of living systems. Currently, the primary applications of microarrays include gene discovery, disease diagnosis and prognosis, drug discovery (pharmacogenomics), and toxicological research (toxicogenomics). Typical scientific tasks addressed by microarray experiments include the identification of coexpressed genes, discovery of sample or gene groups with similar expression patterns, identification of genes whose expression patterns are highly differentiating with respect to a set of discerned biological entities (e.g., tumor types), and the study of gene activity patterns under various stress conditions (e.g., chemical treatment). More recently, the discovery, modeling, and simulation of regulatory gene networks, and the mapping of expression data to metabolic pathways and chromosome locations have been added to the list of scientific tasks that are being tackled by microarray technology. Each scientific task corresponds to one or more so-called data analysis tasks. Different types of scientific questions require different sets of data analytical techniques. Broadly speaking, there are two classes of elementary data analysis tasks, predictive modeling and pattern-detection. Predictive modeling tasks are concerned with learning a classification or estimation function, whereas pattern-detection methods screen the available data for interesting, previously unknown regularities or relationships.