درباره کتاب
این کتاب مجموعهای از مقالات پژوهشی منتشرشده در ژورنال علمی Biology از انتشارات MDPI است که به بررسی نقش بیوانفورماتیک و روشهای یادگیری ماشین در مطالعه و درک سرطان میپردازد. با رشد سریع دادههای زیستی در حوزههایی مانند ژنومیکس، ترنسکریپتومیکس و پروتئومیکس، استفاده از روشهای محاسباتی و الگوریتمهای یادگیری ماشین به یکی از ابزارهای کلیدی در تحقیقات سرطان تبدیل شده است. مقالات این مجموعه نشان میدهند که چگونه تحلیل دادههای زیستی در مقیاس بزرگ میتواند به شناسایی الگوهای پیچیده مولکولی، کشف نشانگرهای زیستی (biomarkers) و بهبود روشهای تشخیص و درمان سرطان کمک کند.
در این کتاب پژوهشگران حوزههای زیستشناسی محاسباتی، پزشکی و علوم داده، روشها و ابزارهای نوین برای تحلیل دادههای سرطان را معرفی کردهاند. موضوعات مورد بحث در مقالات شامل تحلیل دادههای ژنتیکی و ژنومی، مدلهای یادگیری ماشین برای پیشبینی ویژگیهای تومور، کشف ژنها و مسیرهای مولکولی مرتبط با سرطان، و استفاده از الگوریتمهای هوش مصنوعی برای تحلیل دادههای پزشکی و زیستی است. بسیاری از این مطالعات از دادههای بزرگ زیستی (Big Biological Data) و پایگاههای داده عمومی استفاده میکنند تا الگوهای مهم در بروز و پیشرفت سرطان را شناسایی کنند.
یکی از نکات مهم این مجموعه، ترکیب روشهای آماری کلاسیک با الگوریتمهای مدرن یادگیری ماشین است. این رویکردها به پژوهشگران کمک میکند تا روابط پیچیده میان ژنها، پروتئینها و مسیرهای سلولی را بهتر درک کنند و مدلهایی برای پیشبینی رفتار سلولهای سرطانی ایجاد نمایند. چنین مدلهایی میتوانند در آینده به توسعه پزشکی شخصیسازیشده (Personalized Medicine) و انتخاب درمانهای موثرتر برای بیماران کمک کنند.
مطالعه این کتاب برای دانشجویان و پژوهشگران حوزههای بیوانفورماتیک، زیستشناسی مولکولی، علوم داده، پزشکی، ژنتیک و یادگیری ماشین بسیار مفید است. همچنین افرادی که به کاربرد هوش مصنوعی در علوم زیستی و پزشکی علاقه دارند میتوانند با مطالعه این مقالات با روشها و روندهای جدید پژوهشی در این حوزه آشنا شوند. این کتاب توسط پژوهشگران Shibiao Wan، Yiping Fan، Chunjie Jiang و Shengli Li ویرایش شده است.
منبع آموزشی
شما میتوانید با ثبتنام در این آموزش، موضوعاتی مشابه این کتاب را فرا گرفته و به انجام پروژههای مشابه، مشغول شوید.
حقوق انتشار
نسخه گردآوریشده کتاب تحت مجوز Creative Commons BY‑NC‑ND منتشر شده است. بر اساس این لایسنس، انتشار نسخه اصلی کتاب با ذکر نام نویسندگان و ناشر و فقط برای استفاده غیرتجاری مجاز است. هیچ تغییری در محتوا ایجاد نشده و فایل مطابق نسخه اصلی MDPI ارائه میشود. علاوه بر این، تمام مقالات این مجموعه به صورت Open Access و تحت مجوز CC BY منتشر شدهاند.
اطلاعات کتاب
- ISBN (نسخه چاپی): 978‑3‑0365‑4814‑2
- ISBN (نسخه PDF): 978‑3‑0365‑4813‑5
- ناشر: MDPI, Basel, Switzerland
- Special Issue on Bioinformatics and Machine Learning for Cancer Biology
- Machine Learning-Based Identification of Colon Cancer Candidate Diagnostic Genes
- A Novel Approach to Modeling and Forecasting Cancer Incidence and Mortality Rates through Web Queries and Automated Forecasting Algorithms: Evidence from Romania
- Prediction of Major Histocompatibility Complex Binding with Bilateral and Variable Long Short Term Memory Networks
- Identification of DPP4/CNNB1/MET as a Theranostic Signature of Thyroid Cancer and Evaluation of the Therapeutic Potential of Sitagliptin
- DRPPM-EASY: A Web-Based Framework for Integrative Analysis of Multi-Omics Cancer Datasets
- Identification and Validation of an Annexin-Related Prognostic Signature and Therapeutic Targets for Bladder Cancer: Integrative Analysis
- Architectural Distortion-Based Digital Mammograms Classification Using Depth Wise Convolutional Neural Network
- Comprehensive Analysis of CPA4 as a Poor Prognostic Biomarker Correlated with Immune Cells Infiltration in Bladder Cancer
- The Identification of CRN0 Modification Gene PUS7 as a Potential Biomarker of Ovarian Cancer
- R-Score: A New Parameter to Assess the Quality of Variants’ Calls Assessed by NGS Using Liquid Biopsies
- Role of Persistent Organic Pollutants in Breast Cancer Progression and Identification of Estrogen Receptor Alpha Inhibitors Using In-Silico Mining and Drug-Drug Interaction Network Approaches