Bayesian Modeling in Bioinformatics

Bayesian Modeling in Bioinformatics diskutiert die Entwicklung und Anwendung von Bayes'schen statistischen Methoden für die Analyse von Hochdurchsatz-Bioinformatikdaten, die sich aus Problemen der Molekular- und Strukturbiologie und der krankheitsbezogenen medizinischen Forschung wie Krebs ergeben. Es wird ein breiter Überblick über statistische Inferenz-Clustering- und Klassifikationsprobleme in zwei Haupthochdurchsatzplattformen gegeben: Microarray-Genexpression und phylogenetische Analyse. Das Buch untersucht Bayes'sche Techniken und Modelle zum Nachweis differentiell exprimierter Gene, zur Klassifizierung der differentiellen Genexpression und zur Identifizierung von Biomarkern. Es entwickelt neuartige Bayes'sche nichtparametrische Ansätze für bioinformatische Probleme, Messfehler- und Überlebensmodelle für cDNA-Microarrays, einen Bayes'schen Hidden-Markov-Modellierungsansatz für CGH-Array-Daten, Bayes'sche Ansätze für die phylogenetische Analyse, Sparsity-Priors für die Vorhersage von Protein-Protein-Interaktionen und Bayes'sche Netzwerke für Genexpressionsdaten. Der Text beschreibt auch Anwendungen von modenorientierten stochastischen Suchalgorithmen in vitro auf in vivo Faktorprofiling, proportionale Gefahrenregression unter Verwendung von Bayes'schen Kernelmaschinen und QTL-Mapping. Mit dem Fokus auf Design, statistischer Inferenz und Datenanalyse aus Bayes'scher Perspektive untersucht dieser Band statistische Herausforderungen in der Bioinformatik, Datenanalyse und -modellierung und bietet Lösungen für diese Probleme. Es ermutigt die Leser, sich auf die sich entwickelnden Technologien zu stützen und die statistische Entwicklung in diesem Bereich der Bioinformatik zu fördern. . Sprache: Englisch