فهرست مطالب:

7.6 Software . . . . . . . . 167

7.7 Concluding remarks, and statistical and computational challenge . . . . . . . . 168
8 Digital Improvement of Single Cell Hi-C Data 169
8.1 Sparsity of single cell Hi-C data . . 170
8.2 Adaptation of scRNA imputation methods for improving scHi-C data quality . . . . . . . . . 172
8.3 Methods designed for improving Hi-C data quality . . . . . . 175
8.4 Self representation smoothing for imputation and structural zeros inference . . . . . 176
8.5 Bayesian modeling for identifying structural zeros and imputing dropouts . . . . . . . . 180
8.6 Case studies . . . . . . 182
8.7 Software . . . . . . . . 187
8.8 Concluding remarks, and statisitcal and computational challenges . . . . . . . . 189
9 Metabolomics Data Preprocessing 191
9.1 Introduction . . . . . . 191
9.2 Data sets . . . . . . . . 193
9.3 Technology platforms . . . . . . . . 194
9.4 Data formats . . . . . . 196
9.5 Peak identification and metabolite quantification for non-targeted data . . . 196
9.6 Normalization . . . . . 202
9.7 Experimental design . . . . . . . . . 208
10 Metabolomics Data Analysis 211
10.1 Per-metabolite analyses . . . . . . . 212
10.2 Multivariate approaches . . . . . . . 219
10.3 Pathway enrichment analyses . . . . 220
10.4 Network analyses . . . 222
10.5 Case studies on data integration . . 229
11 Appendix 233
11.1 Basics of probability . . . . . . . . . 233
11.2 Random variables and probability distributions . 245
11.3 Basics of stochastic processes . . . . 260
11.4 Hidden Markov models . . . . . . . 264
11.5 Frequentist statistical inference . . . 268
11.6 Bayesian inference . . . 274
Bibliography 283
Index 335

فهرست به فارسی (ترجمه ماشینی):

پیشگفتار xiii
1 زیست شناسی یک موجود زنده 1
1.1 سلول. . . . . . . . . . 2
1.2 ژن ها، DNA و RNA. . . . . . . 5
1.3 پروتئین . . . . . . . . 9
1.4 اپی ژنوم. . . . . 11
1.5 متابولیسم. . . . . . . 12
1.6 تنظیم بیولوژیکی و سرطان. . 14
1.7 فن آوری های تولید داده. . . . 16
2 فعل و انفعالات پروتئین و پروتئین 25
2.1 مجموعه داده ها . . . . . . . 25
2.2 فن آوری ها و انواع داده ها. . . . 26
2.3 نمایش نمودار داده های تعامل پروتئین-پروتئین. . 29
2.4 مسائل نمونه برداری در داده های تعامل پروتئین-پروتئین. . . . . . 31
2.5 خطاهای اندازه گیری سیستماتیک و تصادفی. 34
3 تجزیه و تحلیل شبکه تعامل پروتئین-پروتئین 39
3.1 خلاصه گره ها در نمودارهای تعامل پروتئین. 40
3.2 مدل های نموداری داده های برهمکنش پروتئین. . . . 44
3.3 تشخیص ماژول. . . 48
3.4 نرم افزار . . . . . . . 52
3.5 ادغام برهمکنش های پروتئین با انواع داده های دیگر. . 53
4 تشخیص نقش و اثرات مادری 55
4.1 نقش و اثر ژنوتیپ مادری { دو عامل اپی ژنتیک . . . . . . . . . 55
4.2 مخدوش شدن بین تأثیرات چاپی و مادری. . . . 58
4.3 طرح های مطالعاتی در حال تکامل. . . . . . . 60
4.4 روش‌هایی برای تشخیص تأثیرات چاپی و مادری با استفاده از داده‌های مطالعات آینده‌نگر. . . . 63
4.5 روش‌های تشخیص تأثیرات چاپی و مادری با استفاده از داده‌های مطالعات گذشته‌نگر. . . 64
4.6 مطالعات موردی. . . . . . 71
4.7 نرم افزار . . . . . . . 75
4.8 نکات پایانی. . . . . . . . . 76
5 مدل سازی و تجزیه و تحلیل داده های توالی یابی نسل بعدی 77
5.1 جداسازی، کنترل کیفیت و آماده سازی کتابخانه. . . . . . . 78
5.2 اعتبار سنجی، ادغام و عادی سازی. . . . . . 80
5.3 توالی یابی . . . . . . 81
5.4 عوامل مؤثر بر صحت داده های NGS. . . . . . . 89
5.4.1 در مرحله آماده سازی کتابخانه. . . . . 89
5.4.2 در مرحله توالی یابی. . . 90
5.5 کاربردهای RNA-Seq. . . . . . 90
5.6 پیش پردازش و تجزیه و تحلیل داده های RNA-Seq. . . . 93
6 داده متیلاسیون DNA مبتنی بر توالی 119
6.1 متیلاسیون DNA. . . 120
6.2 فن آوری های در حال تکامل برای اندازه گیری متیلاسیون DNA. . . 121
6.3 روش‌های تشخیص DMC با استفاده از داده‌های BS-seq. . . . . 123
6.4 روش های تشخیص DMR ها با استفاده از داده های BS-seq. . . . . . 134
6.5 روش‌های تشخیص DMR با استفاده از داده‌های Cap-seq. . . . . 136
6.6 مطالعات موردی. . . . . . 142
6.7 نرم افزار . . . . . . . 144
6.8 اظهارات پایانی و چالش های آماری. 144
7 مدلسازی و تحلیل برهمکنشهای کروماتین فضایی 147
7.1 سازماندهی کروموزوم سه بعدی و تنظیم فضایی. . . . . 148
7.2 فن آوری های در حال تکامل برای اندازه گیری تعامل دوربرد. 149
7.3 روش هایی برای خلاصه سازی ساختارهای سه بعدی با استفاده از داده های نوع Hi-C 151
7.4 روش های تشخیص تعاملات دوربرد با استفاده از داده های نوع ChIA-PET. . . . . . . 156
7.5 مطالعات موردی. . . . . . 163
7.6 نرم افزار . . . . . . . 167
7.7 اظهارات پایانی و چالش آماری و محاسباتی. . . . . . . . 168
8 بهبود دیجیتالی داده های Hi-C تک سلولی 169
8.1 پراکندگی داده های تک سلولی Hi-C. . 170
8.2 انطباق روش‌های انتساب scRNA برای بهبود کیفیت داده‌های scHi-C. . . . . . . . . 172
8.3 روش های طراحی شده برای بهبود کیفیت داده های Hi-C. . . . . . 175
8.4 هموارسازی نمایش خود برای استنتاج و استنتاج صفرهای ساختاری. . . . . 176
8.5 مدلسازی بیزی برای شناسایی صفرهای ساختاری و انتساب افت ها. . . . . . . . 180
8.6 مطالعات موردی. . . . . . 182
8.7 نرم افزار . . . . . . . 187
8.8 اظهارات پایانی، و چالش های آماری و محاسباتی. . . . . . . . 189
9 پیش پردازش داده های متابولومیک 191
9.1 مقدمه. . . . . . 191
9.2 مجموعه داده ها. . . . . . . . 193
9.3 پلت فرم های فناوری . . . . . . . 194
9.4 فرمت های داده . . . . . 196
9.5 شناسایی اوج و تعیین کمیت متابولیت برای داده های غیر هدفمند. . . 196
9.6 عادی سازی . . . . 202
9.7 طراحی آزمایشی. . . . . . . . . 208
10 تجزیه و تحلیل داده های متابولومیک 211
10.1 تجزیه و تحلیل هر متابولیت. . . . . . . 212
10.2 رویکردهای چند متغیره. . . . . . . 219
10.3 تحلیل های غنی سازی مسیر. . . . 220
10.4 تجزیه و تحلیل شبکه. . . 222
10.5 مطالعات موردی در مورد یکپارچه سازی داده ها. . 229
11 پیوست 233
11.1 مبانی احتمال . . . . . . . . . 233
11.2 متغیرهای تصادفی و توزیع احتمال. 245
11.3 مبانی فرآیندهای تصادفی. . . . 260
11.4 مدل های پنهان مارکوف . . . . . . . 264
11.5 استنتاج آماری مکرر. . . 268
11.6 استنتاج بیزی. . . 274
کتابشناسی 283
شاخص 335

مشخصات فایل