理解生物信息學(xué)

內(nèi)容概要

　　本書是一本集生物信息學(xué)專業(yè)參考書和教材于一體的書，共分為7部分：基礎(chǔ)知識(shí)、序列聯(lián)配、進(jìn)化過(guò)程、基因組特征、二級(jí)結(jié)構(gòu)、蛋白質(zhì)三級(jí)結(jié)構(gòu)、細(xì)胞和組織，以及附錄和字符表等。每部分由不同章節(jié)構(gòu)成，大多數(shù)章節(jié)可以被歸為應(yīng)用章節(jié)或理論章節(jié)。因此在每部分開(kāi)始時(shí)，都有應(yīng)用章節(jié)，描述了特定研究領(lǐng)域較實(shí)用的方面。理論章節(jié)則緊隨其后，解釋了其科學(xué)、理論基礎(chǔ)以及在已有應(yīng)用中所使用的技術(shù)。本書還提供了思維導(dǎo)圖、流程圖、擴(kuò)展閱讀等其他書不常見(jiàn)的內(nèi)容，以供讀者能夠在每一章、每一節(jié)開(kāi)始時(shí)對(duì)整體內(nèi)容有所把握，并能夠了解更多擴(kuò)展知識(shí)、發(fā)展技能的參考文獻(xiàn)。

作者簡(jiǎn)介

　　Robert
F·Weaver出生于美國(guó)堪薩斯州的首府托皮卡市，在弗吉尼亞州的阿靈頓地區(qū)長(zhǎng)大。1964年在俄亥俄州的烏斯勒學(xué)院獲得化學(xué)學(xué)士學(xué)位。1969年在杜克大學(xué)獲得生物化學(xué)專業(yè)博士學(xué)位，此后他在加州大學(xué)舊金山分校從事了兩年的博士后研究工作，師從William
J?Rutter教授研究真核生物RNA聚合酶的結(jié)構(gòu)。
　　1971年他受聘于堪薩斯大學(xué)，任生物化學(xué)助理教授，后晉升為副教授，并于1981年任教授。自1984年以來(lái)，Robert
F?Weaver一直擔(dān)任生物化學(xué)系的系主任， 1995年開(kāi)始擔(dān)任文理學(xué)院副院長(zhǎng)。
　　李亦學(xué)，研究員，博士生導(dǎo)師。1982年2月畢業(yè)于新疆大學(xué)，獲物理學(xué)學(xué)士學(xué)位，1987年10月畢業(yè)于新疆大學(xué)，獲理論物理學(xué)碩士學(xué)位，1996年10月畢業(yè)于德國(guó)海德堡大學(xué)理論物理研究所，獲理論物理博士學(xué)位。1996年11月至1997年3月在德國(guó)斯圖加特大學(xué)第三計(jì)算機(jī)應(yīng)用研究所從事計(jì)算數(shù)學(xué)博士后研究。1997年4月至2000年6月在歐洲分子生物學(xué)實(shí)驗(yàn)室（EMBL）從事生物物理博士后研究。2000年7月回國(guó)，現(xiàn)任中科院上海生命科學(xué)研究院生物信息中心主任，2002年7月任上海生物信息技術(shù)研究中心主任，2006年12月任中科院系統(tǒng)生物學(xué)重點(diǎn)實(shí)驗(yàn)室副主任。李亦學(xué)研究員主要研究方向?yàn)樯镄畔W(xué)，2000年回國(guó)后，先后主持和承擔(dān)了國(guó)家“九五”863計(jì)劃生物技術(shù)領(lǐng)域《生物信息學(xué)數(shù)據(jù)庫(kù)開(kāi)發(fā)和建設(shè)》重大項(xiàng)目。作為首席科學(xué)家主持了中科院《生物信息學(xué)重大基礎(chǔ)理論與應(yīng)用》重大研究項(xiàng)目；國(guó)家973《重大疾病相關(guān)蛋白質(zhì)組學(xué)

書籍目錄

譯者序
前言
給閱讀者的短箋
致謝名單
第1部分 基礎(chǔ)知識(shí)
第1章 核酸的世界
1.1 DNA和 RNA的結(jié)構(gòu)
DNA分子是由4種不同類型的堿基組成的線性多聚體
兩條互補(bǔ) DNA鏈通過(guò)堿基配對(duì)形成雙螺旋
RNA分子通常為單鏈結(jié)構(gòu)，但在某些情況下可形成堿基配對(duì)結(jié)構(gòu)
1.2 DNA？RNA和蛋白質(zhì)：中心法則
DNA是信息載體，而 RNA則是信使
信使RNA根據(jù)遺傳密碼翻譯產(chǎn)生蛋白質(zhì)
翻譯過(guò)程涉及了含 DNA和 RNA的核糖體的轉(zhuǎn)移
1.3 基因結(jié)構(gòu)和基因調(diào)控
特定的定位序列能和 RNA聚合酶結(jié)合，并識(shí)別轉(zhuǎn)錄起始點(diǎn)
真核生物中的轉(zhuǎn)錄起始信號(hào)遠(yuǎn)比細(xì)菌中復(fù)雜得多
真核生物 mRNA轉(zhuǎn)錄物在翻譯前需經(jīng)歷一系列修飾
翻譯的調(diào)控
1.4 生命與進(jìn)化之樹
主要生命形式的基本特征
突變可以改變核苷酸序列
總結(jié)
名詞解釋
擴(kuò)展閱讀
第2章 蛋白質(zhì)結(jié)構(gòu)
2.1 初級(jí)結(jié)構(gòu)和二級(jí)結(jié)構(gòu)
我們可從多個(gè)不同水平考察蛋白質(zhì)結(jié)構(gòu)
氨基酸是蛋白質(zhì)的組成單位
側(cè)鏈決定了氨基酸化學(xué)和物理特性的不同
蛋白質(zhì)鏈中的氨基酸通過(guò)肽鍵共價(jià)連接
蛋白質(zhì)的二級(jí)結(jié)構(gòu)由α螺旋？β鏈構(gòu)成
在蛋白質(zhì)結(jié)構(gòu)中已發(fā)現(xiàn)了幾種不同類型的β折疊片
螺旋和鏈通過(guò)轉(zhuǎn)角？發(fā)夾結(jié)構(gòu)和環(huán)連接
2.2 對(duì)生物信息學(xué)的啟發(fā)
某些氨基酸傾向于形成特定的結(jié)構(gòu)單元
從進(jìn)化角度幫助序列分析
蛋白質(zhì)結(jié)構(gòu)的計(jì)算和可視化
2.3 蛋白質(zhì)通過(guò)折疊形成緊湊的結(jié)構(gòu)
蛋白質(zhì)的三級(jí)結(jié)構(gòu)是通過(guò)多肽鏈的路徑來(lái)定義的
蛋白質(zhì)折疊的穩(wěn)定狀態(tài)是能量最低的狀態(tài)
很多蛋白質(zhì)是由多個(gè)亞基組成的
總結(jié)
名詞解釋
擴(kuò)展閱讀
第3章 數(shù)據(jù)庫(kù)的處理
3.1 數(shù)據(jù)庫(kù)的結(jié)構(gòu)
平面文件數(shù)據(jù)庫(kù)以文本文件的方式存儲(chǔ)數(shù)據(jù)
關(guān)系數(shù)據(jù)庫(kù)廣泛應(yīng)用于存儲(chǔ)生物信息
XML的靈活性可以確定定制的數(shù)據(jù)分類
一些用于生物數(shù)據(jù)的其他數(shù)據(jù)庫(kù)結(jié)構(gòu)
數(shù)據(jù)庫(kù)可以通過(guò)本地訪問(wèn)或通過(guò)互聯(lián)網(wǎng)相互鏈接
3.2 數(shù)據(jù)庫(kù)類型
數(shù)據(jù)庫(kù)中不僅僅是數(shù)據(jù)
原始數(shù)據(jù)和衍生數(shù)據(jù)
我們?nèi)绾味x和鏈接事物的重要性：本體
3.3 數(shù)據(jù)庫(kù)搜索
序列數(shù)據(jù)庫(kù)
芯片數(shù)據(jù)庫(kù)
蛋白質(zhì)相互作用數(shù)據(jù)庫(kù)
結(jié)構(gòu)數(shù)據(jù)庫(kù)
3.4 數(shù)據(jù)質(zhì)量
o?o 非冗余性對(duì)一些應(yīng)用特別重要
自動(dòng)化方法可用于檢查數(shù)據(jù)的一致性
初步的分析和注釋通常是自動(dòng)化完成的
為了產(chǎn)生高質(zhì)量的注釋經(jīng)常需要人為干預(yù)
數(shù)據(jù)庫(kù)更新和條目注釋版本號(hào)的重要性
總結(jié)
名詞解釋
擴(kuò)展閱讀
第2部分 序列聯(lián)配
第4章 產(chǎn)生和分析序列聯(lián)配
4.1 序列聯(lián)配的原理
聯(lián)配是在兩個(gè)或更多序列的相同區(qū)域?qū)ふ易畲笙嗨菩缘娜蝿?wù)
聯(lián)配可以揭示序列間的同源性
比較蛋白質(zhì)序列比核酸序列更容易檢測(cè)同源性
4.2 聯(lián)配分值
一個(gè)聯(lián)配的質(zhì)量是通過(guò)給予一個(gè)量化的分值來(lái)衡量的
量化兩個(gè)序列間的相似性的最簡(jiǎn)單的方法是百分?jǐn)?shù)
基于一致度的點(diǎn)圖可以可視化地評(píng)價(jià)相似性
真正的匹配不必相同
最低一致度比可以被接受為具有顯著性
對(duì)于打分聯(lián)配有許多不同的方法
4.3 替代矩陣
使用替代矩陣對(duì)每個(gè)排列后的序列位點(diǎn)分配一個(gè)單獨(dú)的值
PAM 替代矩陣使用密切相關(guān)的蛋白質(zhì)序列集的替代頻率
BLOSUM 替代矩陣使用了局部高度保守區(qū)域序列的突變數(shù)據(jù)
替代矩陣的選擇取決于要解決的問(wèn)題
4.4 插入空缺
在序列插入空缺以達(dá)到和另一條序列的相似度最大，需要罰分制度
動(dòng)態(tài)規(guī)劃算法可以決定引入最優(yōu)空缺
4.5 聯(lián)配類型
對(duì)于不同情況采用不同類型的聯(lián)配
多重序列聯(lián)配能同時(shí)比較一些相似序列
有幾種不同的技術(shù)可構(gòu)造多重聯(lián)配
多重聯(lián)配可以提高低相似性序列聯(lián)配的精確度
ClustalW 可以對(duì) DNA和蛋白質(zhì)序列進(jìn)行全局聯(lián)配
通過(guò)合并一些局部聯(lián)配可以構(gòu)建多重聯(lián)配
增加新信息可以改進(jìn)聯(lián)配
4.6 檢索數(shù)據(jù)庫(kù)
已開(kāi)發(fā)了快速而準(zhǔn)確的搜索算法
FASTA格式是一個(gè)基于較短的相同片段
匹配的快速的數(shù)據(jù)庫(kù)搜索方法
BLAST的基礎(chǔ)在于發(fā)現(xiàn)非常相似的短片段
對(duì)不同的問(wèn)題采用不同版本的BLAST和FASTA
PSI?BLAST基于配置文件的數(shù)據(jù)庫(kù)搜索
SSEARCH 是一個(gè)嚴(yán)格的聯(lián)配方法
4.7 搜索核酸或蛋白質(zhì)序列
可直接使用或翻譯后的 DNA或 RNA序列
必須測(cè)試數(shù)據(jù)庫(kù)的匹配質(zhì)量，以確保其不可能是偶然發(fā)生
選擇一個(gè)適當(dāng)?shù)臓胖档拈撝涤兄谙拗茢?shù)據(jù)庫(kù)搜索
低復(fù)雜度區(qū)域可以將同源性搜索復(fù)雜化
不同的數(shù)據(jù)庫(kù)可以用來(lái)解決具體問(wèn)題
4.8 蛋白質(zhì)序列模體或模式
建立數(shù)據(jù)庫(kù)的模式需要專業(yè)知識(shí)
BLOCKS數(shù)據(jù)庫(kù)包含自動(dòng)編譯的保守蛋白質(zhì)序列的多重聯(lián)配的較短序列模塊
4.9 使用模式和模體搜索
可以在PROSITE數(shù)據(jù)庫(kù)中搜索蛋白質(zhì)的模式和模體
基于模式的PHI?BLAST程序同時(shí)搜索同源性和模體匹配
可以使用PRATT從多條序列產(chǎn)生模式
PRINTS數(shù)據(jù)庫(kù)包括了指紋圖譜，描述一個(gè)蛋白質(zhì)家族的一些保守模體
Pfam數(shù)據(jù)庫(kù)定義了蛋白質(zhì)家族的表達(dá)譜
4.10 模式和蛋白質(zhì)功能
可以搜索蛋白質(zhì)上特定的功能位點(diǎn)
序列比較不是唯一分析蛋白質(zhì)序列的途徑
總結(jié)
名詞解釋
擴(kuò)展閱讀
第5章 序列比對(duì)及數(shù)據(jù)庫(kù)搜索
5.1 替換矩陣和打分
聯(lián)配分值用于衡量公共進(jìn)化祖先的似然性
PAM (MDM)替代打分矩陣用于探索蛋白質(zhì)進(jìn)化起源
BLOSUM 矩陣用于尋找保守的蛋白質(zhì)區(qū)域
用于核苷酸聯(lián)配的打分矩陣需由相似的方式得到
替換打分矩陣必須適用于特定的聯(lián)配問(wèn)題
插入空缺的打分相對(duì)替換而言使用了更為啟發(fā)式的方法
5.2 動(dòng)態(tài)規(guī)劃算法
使用改進(jìn)后的 Needleman?Wunsch算法構(gòu)建全局最優(yōu)聯(lián)配
對(duì)動(dòng)態(tài)規(guī)劃算法的簡(jiǎn)單改進(jìn)就能用于局部序列聯(lián)配
不計(jì)算完整的矩陣，犧牲精確度提高時(shí)間效率
5.3 索引技術(shù)和近似算法
后綴樹定位和獨(dú)特及重復(fù)序列的位置
散列索引是一種技術(shù)，列出了所有k的起始位置元組 (k?tuples)
FASTA算法使用哈希算法和快速鏈接進(jìn)行數(shù)據(jù)庫(kù)搜索
BLAST算法利用了有限狀態(tài)自動(dòng)機(jī)
直接比較核酸序列和蛋白質(zhì)序列，需要對(duì)BLAST和FASTA進(jìn)行特殊的調(diào)整
5.4 聯(lián)配分值的顯著性
有空缺局部聯(lián)配的統(tǒng)計(jì)可以按相似的算法進(jìn)行
5.5 聯(lián)配全基因組序列
有效索引和掃描全基因組序列對(duì)高等生物序列比對(duì)至關(guān)重要
密切關(guān)聯(lián)的物種基因組之間復(fù)雜進(jìn)化關(guān)系需要?jiǎng)?chuàng)新的聯(lián)配算法
總結(jié)
名詞解釋
擴(kuò)展閱讀
第6章 模式？序列和多序列比對(duì)
6.1 序列和序列標(biāo)記
位置特異性分?jǐn)?shù)矩陣是得分矩陣的擴(kuò)展
解決構(gòu)建PSSM 時(shí)數(shù)據(jù)缺失問(wèn)題的方法
PSI?BLAST是一個(gè)序列數(shù)據(jù)庫(kù)檢索程序
將序列表現(xiàn)為序列標(biāo)記
6.2 譜式隱馬爾可夫模型
用于序列比對(duì)的 HMM 的基本結(jié)構(gòu)
利用聯(lián)配序列建立 HMM 參數(shù)
利用譜式 HMM 給序列打分：最大可能路徑以及所有路徑的總和
利用未聯(lián)配序列評(píng)估 HMM 參數(shù)
6.3 序列聯(lián)配
利用聯(lián)配比較兩個(gè)PSSM
聯(lián)配譜式 HMM
6.4 利用序列遞增 (gradualsequence addition)的多序列比對(duì)
序列添加的順序是基于評(píng)估合并聯(lián)配錯(cuò)誤可能性而決定的
許多不同的打分策略用于建立多序列聯(lián)配
多序列聯(lián)配是利用向?qū)湟约白V式方法構(gòu)建的，且可能進(jìn)一步改進(jìn)
6.5 其他獲得多序列聯(lián)配的方法
多序列聯(lián)配程序 DIALIGN聯(lián)配無(wú)間隙的區(qū)段
利用遺傳算法的SAGA多序列聯(lián)配方法
6.6 序列模式發(fā)現(xiàn)
在多序列聯(lián)配中查找模式：eMOTIF和AACC
序列中共有模式的概率查詢：Gibbs和MEME
總結(jié)
名詞解釋
擴(kuò)展閱讀
第3部分 進(jìn)化過(guò)程
第7章 重現(xiàn)進(jìn)化歷史
7.1 系統(tǒng)發(fā)生樹的結(jié)構(gòu)和解釋
系統(tǒng)發(fā)生樹重建進(jìn)化關(guān)系
用幾種方式描述樹的拓?fù)浣Y(jié)構(gòu)
一致樹和可信樹報(bào)告拓?fù)浣Y(jié)構(gòu)的比較結(jié)果
7.2 分子進(jìn)化及其結(jié)果
大多數(shù)相關(guān)序列有許多變異了幾次的位置
可接受突變速率對(duì)所有類型的堿基替換通常是不相同的
密碼子不同位置有不同的突變速率
只應(yīng)該用直系同源基因構(gòu)建物種系統(tǒng)發(fā)生樹
基因組大區(qū)域變化是常見(jiàn)的
7.3 系統(tǒng)發(fā)生樹構(gòu)建
核糖體小亞基rRNA序列非常適用于重建物種的進(jìn)化
構(gòu)樹方法的選擇在某種程度上依賴于數(shù)據(jù)集的大小和質(zhì)量
在使用這些方法時(shí)必需選擇一個(gè)進(jìn)化模型
所有的系統(tǒng)發(fā)生分析必須以精確的多序列比對(duì)開(kāi)始
16SRNA序列的一個(gè)小數(shù)據(jù)集的系統(tǒng)發(fā)生分析
為酶家族建立基因樹有助于發(fā)現(xiàn)酶功能的進(jìn)化
總結(jié)
名詞解釋
擴(kuò)展閱讀
第8章 構(gòu)建系統(tǒng)發(fā)生樹
8.1 進(jìn)化模型和進(jìn)化距離的計(jì)算
一個(gè)簡(jiǎn)單但不精確衡量進(jìn)化距離的是狆距離
Poisson校正距離考慮了同一位點(diǎn)上的多次突變
Gamma校正距離考慮了不同的序列位點(diǎn)上突變速率的差異
Jukes?Cantor模型再現(xiàn)了核苷酸序列進(jìn)化的一些基本特征
更復(fù)雜的模型區(qū)分不同類型突變的相對(duì)頻率
在 DNA序列上存在核苷酸的偏好
蛋白質(zhì)序列的進(jìn)化模型和用于序列聯(lián)配的替代矩陣密切相關(guān)
8.2 產(chǎn)生系統(tǒng)發(fā)生樹
聚類方法基于進(jìn)化距離產(chǎn)生一個(gè)系統(tǒng)發(fā)育樹
UPGMA方法假定一個(gè)恒定的分子鐘，并產(chǎn)生一個(gè)等距樹
Fiteh?Margoliash方法產(chǎn)生一個(gè)無(wú)根的加性樹
鄰接法：此方法涉及最小進(jìn)化的概念
通常使用逐步增加和星形分解方法用以產(chǎn)生一棵起始樹用于進(jìn)一步的探索，這不是最終樹
8.3 產(chǎn)生多種樹的拓?fù)浣Y(jié)構(gòu)
分枝限界法大大提高了搜索樹的拓?fù)浣Y(jié)構(gòu)的效率
可以通過(guò)對(duì)一個(gè)現(xiàn)存樹做一系列細(xì)小的變化以優(yōu)化樹拓?fù)浣Y(jié)構(gòu)
尋找根給出了系統(tǒng)發(fā)生樹在時(shí)間上的方向
8.4 評(píng)價(jià)樹的拓?fù)浣Y(jié)構(gòu)
可使用基于進(jìn)化距離的函數(shù)以評(píng)價(jià)樹
加權(quán)簡(jiǎn)約法尋找具有突變最少的樹
使用簡(jiǎn)約法可以采用不同的方式對(duì)突變作加權(quán)
可以使用最大似然法用以評(píng)估樹
四重奏迷惑 (quartet?puzzling)方法在標(biāo)準(zhǔn)執(zhí)行中也包括了最大似然法
貝葉斯方法也可用于重建系統(tǒng)發(fā)生樹
8.5 評(píng)估樹的特征和比較樹的可靠性
即使是完善的數(shù)據(jù)和方法也會(huì)出現(xiàn)長(zhǎng)枝吸引的問(wèn)題
可以檢驗(yàn)內(nèi)部分枝測(cè)試樹的拓?fù)浣Y(jié)構(gòu)
用于比較兩棵或兩棵以上的樹的檢驗(yàn)方法
總結(jié)
名詞解釋
擴(kuò)展閱讀
第4部分 基因組特征
第9章 揭示基因組特征
9.1 基因組序列的初步分析
將整個(gè)基因組序列分割開(kāi)來(lái)簡(jiǎn)化基因檢測(cè)
結(jié)構(gòu) RNA基因和重復(fù)序列在進(jìn)一步分析中可以排除
同源性可以用于原核和真核基因的鑒定
9.2 原核基因組中的基因預(yù)測(cè)
9.3 真核基因組中的基因預(yù)測(cè)
外顯子和內(nèi)含子的預(yù)測(cè)程序使用了多種方法
基因預(yù)測(cè)必須要保持正確的閱讀框
有些程序只利用查詢序列和外顯子模型來(lái)預(yù)測(cè)外顯子
有些程序只利用查詢序列和基因模型來(lái)預(yù)測(cè)外顯子
可以利用基因模型和序列相似性來(lái)預(yù)測(cè)基因
相關(guān)物種的基因組可以用來(lái)幫助基因預(yù)測(cè)
9.4 剪接位點(diǎn)的預(yù)測(cè)
剪接位點(diǎn)可以由專門的程序獨(dú)立地鑒定
9.5 啟動(dòng)子區(qū)域的預(yù)測(cè)
原核啟動(dòng)子有較好定義的基序
真核啟動(dòng)子一般要比原核啟動(dòng)子復(fù)雜
有許多啟動(dòng)子的在線預(yù)測(cè)工具
啟動(dòng)子預(yù)測(cè)結(jié)果并不十分清晰
9.6 證實(shí)預(yù)測(cè)結(jié)果
有多種計(jì)算基因預(yù)測(cè)準(zhǔn)確率的方法
翻譯預(yù)測(cè)的外顯子可以證實(shí)預(yù)測(cè)的準(zhǔn)確性
構(gòu)建蛋白質(zhì)和鑒定同源基因
9.7 基因組注釋
基因組注釋是基因組分析中的最后一步
GO(geneontology)提供了一套基因注釋的標(biāo)準(zhǔn)詞匯表
9.8 大基因組比較
總結(jié)
名詞解釋
擴(kuò)展閱讀
第10章 基因檢測(cè)和基因組注釋理論章節(jié)
10.1 利用決策樹檢測(cè)功能 RNA分子
利用tRNAscan算法檢測(cè)tRNA基因
檢測(cè)真核生物基因組中的tRNA基因
10.2 原核生物基因檢測(cè)中有用的特征
10.3 原核生物基因檢測(cè)的算法
GeneMark利用了非均勻馬爾可夫鏈(inhomogeneousMarkovchains)和雙密碼子
(dicodon)統(tǒng)計(jì)
GLIMMER利用了編碼概率的差值馬爾科夫模型
ORPHEUS利用了同源性？密碼子統(tǒng)計(jì)和核糖體結(jié)合位點(diǎn)
GeneMark.hmm 利用精確狀態(tài)持續(xù)隱馬爾可夫模型
EcoParse是一個(gè) HMM 基因模型
10.4 真核生物基因檢測(cè)中用到的特征
真核生物基因與原核生物基因的差異
內(nèi)含子？外顯子和剪切位點(diǎn)
轉(zhuǎn)錄因子的啟動(dòng)子序列和結(jié)合位點(diǎn)
10.5 預(yù)測(cè)真核生物基因信號(hào)
檢測(cè)核心啟動(dòng)子結(jié)合信號(hào)是很多真核生物基因預(yù)測(cè)方法的關(guān)鍵元素
為了定位核心啟動(dòng)子序列信號(hào)而設(shè)計(jì)的一類模型
利用序列一般性質(zhì)預(yù)測(cè)啟動(dòng)子區(qū)域可以去掉相當(dāng)數(shù)量的假陽(yáng)性結(jié)論
預(yù)測(cè)真核生物轉(zhuǎn)錄和翻譯起始位點(diǎn)
轉(zhuǎn)錄和翻譯終止信號(hào)給出基因完整定義
10.6 預(yù)測(cè)外顯子和內(nèi)含子
可以利用普遍序列性質(zhì) (generalsequence property)來(lái)識(shí)別
剪切位點(diǎn)預(yù)測(cè)
可以通過(guò)序列模式與堿基統(tǒng)計(jì)相結(jié)合預(yù)測(cè)剪切位點(diǎn)
GenScan將加權(quán)矩陣和決策樹整合以定位剪切位點(diǎn)
GeneSplicer利用一階馬爾可夫鏈預(yù)測(cè)剪切位點(diǎn)
NetPlantGene整合內(nèi)含子和外顯子的神經(jīng)網(wǎng)絡(luò)模型以預(yù)測(cè)剪切位點(diǎn)
其他特征可能也可以用于剪切位點(diǎn)預(yù)測(cè)
利用特定方法識(shí)別起始和終止外顯子
利用數(shù)據(jù)庫(kù)中的同源區(qū)域可以定義外顯子
10.7 完整真核生物基因模型
10.8 預(yù)測(cè)獨(dú)立基因之余
功能注釋
通過(guò)比較相關(guān)基因組，可以減少難以確定的預(yù)測(cè)
基因檢測(cè)方法的評(píng)估和再評(píng)估
總結(jié)
名詞解釋 308 oxviiio
擴(kuò)展閱讀
第5部分 二級(jí)結(jié)構(gòu)
第11章 從序列中獲得二級(jí)結(jié)構(gòu)
11.1 預(yù)測(cè)方法的類型
基于規(guī)則的統(tǒng)計(jì)方法使殘基形成一個(gè)特定二級(jí)結(jié)構(gòu)成為可能
最近鄰法是結(jié)合了有關(guān)蛋白質(zhì)結(jié)構(gòu)額外信息的統(tǒng)計(jì)方法
主要利用神經(jīng)網(wǎng)絡(luò)及隱馬爾可夫方法進(jìn)行二級(jí)結(jié)構(gòu)預(yù)測(cè)的機(jī)器學(xué)習(xí)方法
11.2 訓(xùn)練和測(cè)試數(shù)據(jù)庫(kù)
確定蛋白質(zhì)二級(jí)結(jié)構(gòu)的幾種方法
11.3 預(yù)測(cè)程序準(zhǔn)確性評(píng)估
Q 3 衡量個(gè)別殘基分配的精度
二級(jí)結(jié)構(gòu)的預(yù)測(cè)不應(yīng)該期望達(dá)到100%的殘基精度
Sov值衡量全元素的預(yù)測(cè)精度
CAFASP/CASP：無(wú)偏的和隨時(shí)可用的蛋白質(zhì)預(yù)測(cè)評(píng)估
11.4 統(tǒng)計(jì)和基于知識(shí)的方法
GOR方法用作信息論方法
Zpred程序包括了同源序列和殘基保守信息的多重聯(lián)配
使用多個(gè)序列信息提高整體預(yù)測(cè)精度
最近鄰法：使用多個(gè)非同源序列
PREDATOR是一種綜合了統(tǒng)計(jì)和基于知識(shí)的程序，其中包括了最近鄰法
11.5 二級(jí)結(jié)構(gòu)預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)方法
評(píng)估神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的可靠性
基于網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)二級(jí)結(jié)構(gòu)預(yù)測(cè)程序的幾個(gè)例子
PROF：蛋白質(zhì)預(yù)測(cè)
PSIPRED
Jnet：使用序列比對(duì)的幾種可選描述
11.6 一些需要特殊預(yù)測(cè)方法的二級(jí)結(jié)構(gòu)
跨膜蛋白
量化膜環(huán)境的屬性
11.7 跨膜蛋白結(jié)構(gòu)的預(yù)測(cè)
多螺旋膜蛋白
選擇預(yù)測(cè)跨膜螺旋的預(yù)測(cè)程序
統(tǒng)計(jì)方法
基于知識(shí)的預(yù)測(cè)
蛋白質(zhì)家族的進(jìn)化信息改善了預(yù)測(cè)結(jié)果
神經(jīng)網(wǎng)絡(luò)在跨膜預(yù)測(cè)中的應(yīng)用
使用隱馬爾可夫模型預(yù)測(cè)跨膜螺旋
比較結(jié)果：選擇哪個(gè)
如果提交一個(gè)非跨膜蛋白給跨膜預(yù)測(cè)程序會(huì)發(fā)生什么
含β鏈的跨膜結(jié)構(gòu)的預(yù)測(cè)
11.8 卷曲螺旋結(jié)構(gòu)
COILS預(yù)測(cè)程序
PAIRCOIL和 MULTICOIL是COILS算法的擴(kuò)展
拉上亮氨酸拉鏈：一個(gè)特殊的卷曲螺旋
11.9 RNA二級(jí)結(jié)構(gòu)預(yù)測(cè)
總結(jié)
名詞解釋
擴(kuò)展閱讀
第12章 二級(jí)結(jié)構(gòu)預(yù)測(cè)
12.1 定義二級(jí)結(jié)構(gòu)和預(yù)測(cè)精度
蛋白質(zhì)二級(jí)結(jié)構(gòu)指定定義不同給出結(jié)果也不同
對(duì)二級(jí)結(jié)構(gòu)的預(yù)測(cè)精度存在著幾種不同的測(cè)度
12.2 二級(jí)結(jié)構(gòu)預(yù)測(cè)基于殘基的偏好性
每個(gè)結(jié)構(gòu)狀態(tài)存在著氨基酸的傾向，這可以在指定時(shí)作為殘基偏好性
最簡(jiǎn)單的預(yù)測(cè)方法是基于在一個(gè)序列窗口中的平均殘基偏好性
殘基偏好性由附近的序列所調(diào)控
通過(guò)從同源序列得到的信息可以大為改善預(yù)測(cè)
12.3 近鄰方法是基于序列片段的相似性
發(fā)現(xiàn)相似序列的短片段具有相似的結(jié)構(gòu)
使用了幾種序列相似性的測(cè)度用以尋找近鄰片段
使用近鄰片段結(jié)構(gòu)的加權(quán)平均用以預(yù)測(cè)
已發(fā)展了近鄰方法用于預(yù)測(cè)那些較易發(fā)生錯(cuò)誤折疊的區(qū)域
12.4 神經(jīng)網(wǎng)絡(luò)已經(jīng)被成功應(yīng)用于二級(jí)結(jié)構(gòu)預(yù)測(cè)
分層前饋神經(jīng)網(wǎng)絡(luò)可以將序列轉(zhuǎn)變?yōu)榻Y(jié)構(gòu)預(yù)測(cè) 378 oxixo
包括同源序列信息將改善神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)正確度
更復(fù)雜的神經(jīng)網(wǎng)絡(luò)已應(yīng)用于預(yù)測(cè)二級(jí)結(jié)構(gòu)和其他一些結(jié)構(gòu)特點(diǎn)
12.5 隱馬爾可夫模型已應(yīng)用在結(jié)構(gòu)預(yù)測(cè)中
發(fā)現(xiàn) HMM 方法對(duì)膜蛋白特別有效
使用 HMM，也可以成功地預(yù)測(cè)非膜蛋白的二級(jí)結(jié)構(gòu)
12.6 可以預(yù)測(cè)結(jié)構(gòu)特征的一般數(shù)據(jù)分類技術(shù)
支持向量機(jī)已成功地用于蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)
Discriminates？SOM 和其他一些方法
總結(jié)
名詞解釋
擴(kuò)展閱讀
第6部分 蛋白質(zhì)三級(jí)結(jié)構(gòu)
第13章 蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)
13.1 勢(shì)能函數(shù)和力場(chǎng)
蛋白質(zhì)的構(gòu)象可以在勢(shì)能面上觀察到
構(gòu)象能量可以用簡(jiǎn)單的數(shù)學(xué)函數(shù)來(lái)描述
相似的力場(chǎng)可以用來(lái)表示平均環(huán)境中的構(gòu)象能量
勢(shì)能函數(shù)可以用來(lái)評(píng)估構(gòu)建的結(jié)構(gòu)
能量最小化可以用來(lái)搜索建模結(jié)構(gòu)和確定局部能量最小值
分子動(dòng)力學(xué)和模擬退火可以用來(lái)搜索全局能量最小值
13.2 用折疊識(shí)別法預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)
在沒(méi)有同源蛋白的情況下預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)折疊
非冗余蛋白質(zhì)折疊數(shù)據(jù)庫(kù)在穿線法中的應(yīng)用
穿線法中采用的兩種不同的打分機(jī)制
動(dòng)態(tài)規(guī)劃方法搜索目標(biāo)序列與已知折疊匹配的最佳方案
評(píng)估折疊識(shí)別可信度的方法
穿線法實(shí)例：網(wǎng)柱黏菌中的C2結(jié)構(gòu)域
13.3 同源建模原理
目標(biāo)序列與模板序列相關(guān)性越大，同源建模的結(jié)果越好
關(guān)鍵序列一致性取決于整個(gè)序列的長(zhǎng)度
針對(duì)目前可建模的大批量序列的同源建模已經(jīng)實(shí)現(xiàn)自動(dòng)化
建模所基于的一系列假設(shè)
13.4 同源建模的步驟
在PDB數(shù)據(jù)庫(kù)中尋找目標(biāo)蛋白質(zhì)的同源結(jié)構(gòu)
目標(biāo)和模板蛋白序列的精確比對(duì)對(duì)于成功建模是必不可少的
蛋白質(zhì)的結(jié)構(gòu)保守區(qū)域最先建模
進(jìn)入下一階段前需檢驗(yàn)建模的核心結(jié)構(gòu)是否存在不適之處
序列重新比對(duì)和重新建?？赡軙?huì)提高建模結(jié)構(gòu)的準(zhǔn)確性
插入和缺失序列通常建模成環(huán)區(qū)域
不等同氨基酸側(cè)鏈的建模主要通過(guò)旋轉(zhuǎn)異構(gòu)體數(shù)據(jù)庫(kù)來(lái)實(shí)現(xiàn)
采用能量最小化來(lái)消除結(jié)構(gòu)錯(cuò)誤
分子動(dòng)力學(xué)可以用來(lái)搜索可移動(dòng)的loop區(qū)域可能采取的構(gòu)象
檢查模型的準(zhǔn)確性
同源建模的可信度
13.5 自動(dòng)化同源建模
MODELLER通過(guò)適當(dāng)?shù)牡鞍踪|(zhì)結(jié)構(gòu)約束條件來(lái)建模
COMPOSER使用基于片段的建模方法來(lái)自動(dòng)化生成相應(yīng)的模型
網(wǎng)絡(luò)中可用于比較建模的自動(dòng)化方法
結(jié)構(gòu)預(yù)測(cè)結(jié)果的評(píng)價(jià)
13.6 PI3蛋白激酶p110α的同源建模
Swiss?PdbViewer能夠用于手工或者半手工建模
同時(shí)做序列比對(duì)？核心結(jié)構(gòu)建模和側(cè)鏈建模
柔性區(qū)域 (loop)通過(guò)數(shù)據(jù)庫(kù)中可能的結(jié)構(gòu)建模
Swiss?PdbViewer軟件可以實(shí)現(xiàn)能量最小化和質(zhì)量評(píng)估
MolIDE是一個(gè)可下載的半自動(dòng)的建模軟件包
基于網(wǎng)絡(luò)的自動(dòng)化建模 (以p110α激酶為例)
構(gòu)建一個(gè)功能上相似但是序列不相似的蛋白o(hù)xxo質(zhì)：mTOR
從序列生成一個(gè)多結(jié)構(gòu)域三維結(jié)構(gòu)
總結(jié)
名詞解釋
擴(kuò)展閱讀
第14章 結(jié)構(gòu) 功能關(guān)系分析
14.1 功能保守性
發(fā)揮功能的區(qū)域通常結(jié)構(gòu)上是保守的
相似的生物學(xué)功能存在于具有不同折疊模式的蛋白質(zhì)上
折疊數(shù)據(jù)庫(kù)確定了結(jié)構(gòu)上相似的蛋白質(zhì)而無(wú)論其功能
14.2 結(jié)構(gòu)比較方法
找到蛋白質(zhì)的結(jié)構(gòu)域可以幫助結(jié)構(gòu)比較
結(jié)構(gòu)比較能夠揭示序列比較不能辨別的保守功能
CE方法通過(guò)匹配蛋白質(zhì)片段把兩個(gè)蛋白質(zhì)疊合到一起
向量疊合搜索工具 (vectoralignmentsearch tool，VAST)能夠疊合二級(jí)結(jié)構(gòu)
DALI確定蛋白質(zhì)結(jié)構(gòu)的疊合方式，但是并不保持片段之間的相對(duì)順序
FATCAT在剛性的片段之間引入了旋轉(zhuǎn)
14.3 找到結(jié)合位點(diǎn)
高度保守的？帶電荷的或者疏水的表面是相互作用位點(diǎn)的標(biāo)志
通過(guò)表面性質(zhì)尋找蛋白質(zhì) 蛋白質(zhì)的相互作用位點(diǎn)
通過(guò)計(jì)算蛋白質(zhì)的表面，可以找到那些可能是結(jié)合位點(diǎn)的裂縫和洞
通過(guò)分析氨基酸的保守性可以確定結(jié)合位點(diǎn)
14.4 分子對(duì)接方法和程序
當(dāng)同源蛋白和類似的小分子復(fù)合物的結(jié)構(gòu)已知的時(shí)候，可以作簡(jiǎn)單的分子對(duì)接
一些專用的分子對(duì)接程序可以自動(dòng)地把配體對(duì)接到蛋白質(zhì)結(jié)構(gòu)上去
通過(guò)打分函數(shù)來(lái)確定最可能的對(duì)接結(jié)果
DOCK軟件采用半剛性的方法，通過(guò)分析配體和結(jié)合位點(diǎn)形狀和化學(xué)性質(zhì)的互補(bǔ)來(lái)做對(duì)接
片段對(duì)接方法可以通過(guò)預(yù)測(cè)結(jié)合位點(diǎn)處的原子類型和功能基團(tuán)確定可能的底物
GOLD是一個(gè)柔性的對(duì)接程序，它使用遺傳算法
結(jié)合位點(diǎn)的水分子也應(yīng)該考慮
總結(jié)
名詞解釋
擴(kuò)展閱讀
第7部分 細(xì)胞和組織
第15章 蛋白質(zhì)譜和基因表達(dá)分析
15.1 大規(guī)?；虮磉_(dá)分析
大量不同基因的表達(dá)可同時(shí)被 DNA芯片檢測(cè)
基因表達(dá)芯片主要用于檢測(cè)基因在不同條件下的表達(dá)差異
基因表達(dá)系列分析也被用于研究基因表達(dá)的總體模式
數(shù)字差異顯示：應(yīng)用生物信息學(xué)和統(tǒng)計(jì)學(xué)來(lái)檢測(cè)不同組織中基因的差異表達(dá)
推動(dòng)不同地方和不同實(shí)驗(yàn)的數(shù)據(jù)整合
分析基因表達(dá)微陣列數(shù)據(jù)的最簡(jiǎn)單方法是層次聚類分析
基于自組織映射網(wǎng)絡(luò)的技術(shù)可被用于分析微陣列數(shù)據(jù)
自組織樹算法 (SOTA)自上而下地對(duì)類別進(jìn)行連續(xù)分割
基因表達(dá)數(shù)據(jù)的聚類結(jié)果是進(jìn)一步研究的工具
15.2 大規(guī)模蛋白質(zhì)表達(dá)分析
二維凝膠電泳是分離細(xì)胞內(nèi)各種蛋白質(zhì)的一種方法
檢測(cè)二維凝膠中顯示的表達(dá)水平
二維凝膠能發(fā)現(xiàn)不同樣本間的蛋白質(zhì)表達(dá)差異
用聚類方法識(shí)別具有相似表達(dá)模式的蛋白質(zhì)位點(diǎn)
主成分分析 (PCA)是分析微陣列和二維凝膠數(shù)據(jù)除聚類分析之外的又一選擇
跟蹤一組蛋白質(zhì)位點(diǎn)在一系列樣本間的差異
數(shù)據(jù)庫(kù)和在線工具可用來(lái)輔助二維凝膠數(shù)據(jù)的解釋
蛋白質(zhì)微陣列芯片能同時(shí)檢測(cè)大量不同蛋白質(zhì)的存在或活性
可用質(zhì)譜來(lái)鑒定已經(jīng)由二維凝膠或其他技o(jì)xxio術(shù)分離和純化的蛋白質(zhì)
對(duì)質(zhì)譜進(jìn)行蛋白質(zhì)鑒定的程序可從網(wǎng)上免費(fèi)獲得
質(zhì)譜能用于檢測(cè)蛋白質(zhì)濃度
總結(jié)
名詞解釋
擴(kuò)展閱讀
第16章 聚類方法和統(tǒng)計(jì)學(xué)概念
16.1 分析表達(dá)數(shù)據(jù)之前的準(zhǔn)備工作
數(shù)據(jù)標(biāo)準(zhǔn)化用于去除實(shí)驗(yàn)中的系統(tǒng)誤差
表達(dá)水平通常用比值表示并取對(duì)數(shù)轉(zhuǎn)換后再分析
有時(shí)在數(shù)據(jù)轉(zhuǎn)換后再進(jìn)行標(biāo)準(zhǔn)化不無(wú)裨益
主成分分析用于合并被分析對(duì)象的某些屬性
16.2 聚類分析的先決條件是定義所有數(shù)據(jù)點(diǎn)之間的距離
歐氏距離在日常生活中廣泛使用
Pearson相關(guān)系數(shù)表征的距離能衡量表達(dá)響應(yīng)的形狀相似性
Mahalanobis距離綜合考慮表達(dá)響應(yīng)之間的變異性和相關(guān)性
16.3 聚類方法能鑒定出內(nèi)部相似且彼此間不同的表達(dá)模式
層次聚類對(duì)數(shù)據(jù)生成一組彼此關(guān)聯(lián)的備選劃分方案
犽均值聚類將數(shù)據(jù)分成預(yù)先指定數(shù)目的類群，但不能確定類群間彼此的遠(yuǎn)近關(guān)系
自組織圖 (SOM)采用神經(jīng)網(wǎng)絡(luò)算法將數(shù)據(jù)聚類成預(yù)先指定數(shù)目的類群
進(jìn)化聚類算法用選擇？重組和突變等概念來(lái)搜索問(wèn)題的可能最優(yōu)解
自組織樹算法 (SOTA)確定所需要的聚類數(shù)目
雙向聚類可鑒定出在部分樣本中呈現(xiàn)相似表達(dá)模式的一組基因
聚類類群的合理性可由其他方法獨(dú)立驗(yàn)證
16.4 統(tǒng)計(jì)分析可量化觀測(cè)到的差異表達(dá)的顯著性水平
狋檢驗(yàn)?zāi)苡糜诠烙?jì)兩個(gè)表達(dá)水平之間差異的顯著性
非參數(shù)檢驗(yàn)用于規(guī)避對(duì)數(shù)據(jù)采樣方式做假定
對(duì)差異表達(dá)的多重假設(shè)檢驗(yàn)需要采取特殊的技術(shù)來(lái)控制錯(cuò)誤率
16.5 基因和蛋白質(zhì)表達(dá)數(shù)據(jù)能用于樣本分類
有許多可選手段能用于樣本分類
支持向量機(jī)是另一種能生成分類器的有監(jiān)督學(xué)習(xí)算法
總結(jié)
名詞解釋
擴(kuò)展閱讀
第17章 系統(tǒng)生物學(xué)
17.1 什么是系統(tǒng)
系統(tǒng)大于部分之和
生物學(xué)系統(tǒng)是有生命的網(wǎng)絡(luò)
數(shù)據(jù)庫(kù)是網(wǎng)絡(luò)構(gòu)建的有效起點(diǎn)
構(gòu)建模型需要比網(wǎng)絡(luò)更加豐富的信息
構(gòu)建模型的三種可行的方法
動(dòng)力學(xué)模型并非系統(tǒng)生物學(xué)研究的唯一途徑
17.2 模型的結(jié)構(gòu)
控制環(huán)路是生物學(xué)系統(tǒng)的必要組成部分
網(wǎng)絡(luò)中的相互作用可以被表述為簡(jiǎn)單的微分方程
17.3 生物學(xué)系統(tǒng)的魯棒性
魯棒性是生物體復(fù)雜性的一個(gè)獨(dú)特屬性
模塊性在魯棒性中扮演重要角色
系統(tǒng)中的冗余性能夠提供魯棒性
生命系統(tǒng)可以通過(guò)雙穩(wěn)態(tài)開(kāi)關(guān)實(shí)現(xiàn)從一個(gè)狀態(tài)到另一個(gè)狀態(tài)的轉(zhuǎn)換
17.4 存儲(chǔ)和運(yùn)行系統(tǒng)模型
特定的程序使得系統(tǒng)模擬更加便捷
標(biāo)準(zhǔn)化的系統(tǒng)描述有助于存儲(chǔ)和再利用
總結(jié)
名詞解釋
擴(kuò)展閱讀
附錄A
概率論？熵和信息
互斥事件
發(fā)生兩個(gè)事件
兩個(gè)隨機(jī)變量的發(fā)生
貝葉斯分析 554 貝葉斯定理
參數(shù)值的推導(dǎo)
擴(kuò)展閱讀
附錄B分子能量函數(shù)
用力場(chǎng)計(jì)算分子內(nèi)部和分子間相互作用的能量
成鍵項(xiàng)
非成鍵項(xiàng)
勢(shì)能在穿線法中的使用
平均力的勢(shì)能
與溶劑效應(yīng)相關(guān)的勢(shì)能項(xiàng)
擴(kuò)展閱讀
附錄C 功能優(yōu)化
全搜索 (full search)方法
動(dòng)態(tài)規(guī)劃和分支界限法 (branch and bound)
局部最優(yōu) (localoptimization)
下降單純形 (downhillsimplex)法
最速下降 (steepestdescent)法
共軛梯度 (conjugategradient)法
使用二階導(dǎo)數(shù)的方法
熱力學(xué)模擬和全局優(yōu)化
蒙特卡羅和遺傳算法
分子動(dòng)力學(xué)
模擬退火
總結(jié)
擴(kuò)展閱讀
字符表
索引
彩圖

編輯推薦

　　《理解生物信息學(xué)》學(xué)習(xí)效果：每章開(kāi)篇都有一個(gè)學(xué)習(xí)效果列表，它總結(jié)了該章所涉及的主題，可作為一個(gè)反饋清單?！　∷季S導(dǎo)圖：每一章都含有一個(gè)思維導(dǎo)圖，這是《理解生物信息學(xué)》一個(gè)特別的教學(xué)特征，它確保每個(gè)學(xué)生都能看到并記住一些特定應(yīng)用中所必需的步驟。偶爾地，思維導(dǎo)圖的兩個(gè)獨(dú)立方面也可能有著重要的關(guān)聯(lián)?！　×鞒虉D：每一章的每個(gè)小節(jié)都有一個(gè)流程圖以幫助讀者記憶該小節(jié)所涵蓋的主題。作為示例，下面給出了第5章的一個(gè)流程圖，其中在本節(jié)將要解釋的概念用深灰色框標(biāo)注，且相互間用箭頭連接起來(lái)。例如，兩種主要類型的最優(yōu)聯(lián)配：局部和全局將在本章的這一節(jié)描述。那些已在之前小節(jié)描述過(guò)的概念用淺灰色框標(biāo)注，這樣我們就很容易了解本節(jié)涉及的主題和已介紹過(guò)的主題間的聯(lián)系。例如，構(gòu)建聯(lián)配需要為空缺 打分的方法和為替換打分的方法，兩者都已經(jīng)在這一章描述過(guò)了。通過(guò)這種方式，整章涉及的主要概念以及相互間的關(guān)系就能漸漸地被構(gòu)架出來(lái)。　　插圖：每一章都配有插圖。插圖的配置是經(jīng)過(guò)充分考慮的，以保證既簡(jiǎn)單易懂又與本書其他章　　節(jié)保持連貫一致。　　擴(kuò)展閱讀：在這么一個(gè)快速發(fā)展的學(xué)科中，我們不可能在這本有限的《理解生物信息學(xué)》囊括現(xiàn)有的所有知識(shí)，更不用說(shuō)將來(lái)的發(fā)展了。因此在每章的結(jié)尾我們都列了一些研究文獻(xiàn)和專業(yè)著作的參考文獻(xiàn)以幫助讀者進(jìn)一步擴(kuò)展知識(shí)、發(fā)展技能。我們根據(jù)不同主題收集文章，使得擴(kuò)展閱讀中每節(jié)都與這一章相應(yīng)小節(jié)的內(nèi)容相對(duì)應(yīng)。我們希望這能幫助閱讀者以最快的速度找到他們感興趣的擴(kuò)展材料?！　∽址恚荷镄畔W(xué)需要使用很多符號(hào)，對(duì)還不了解生物信息的人來(lái)說(shuō)，許多符號(hào)都是不熟悉的。為了幫助讀者了解本書適用的符號(hào)，我們?cè)凇独斫馍镄畔W(xué)》后面給出了引用的每個(gè)符號(hào)、它的定義以及它在本書最常出現(xiàn)的位置的列表?！　∶~解釋：在文中，所有技術(shù)術(shù)語(yǔ)在第一次出現(xiàn)時(shí)都用黑體顯示，且在名詞解釋中列出其相應(yīng)的解釋。此外，每個(gè)在名詞解釋中的術(shù)語(yǔ)都會(huì)出現(xiàn)在索引中，這樣讀者就能很快獲得詳細(xì)介紹這一術(shù)語(yǔ)的相應(yīng)頁(yè)碼?！独斫馍镄畔W(xué)》設(shè)計(jì)成可以進(jìn)行交叉參考，以盡可能幫助讀者閱讀。　　圖版：《理解生物信息學(xué)》所有的英文原圖都可以在GarlandScience網(wǎng)站上下載。插圖文件以．zip格式保存，其中每個(gè)．zip文件對(duì)應(yīng)一章。每張圖都可以從相應(yīng)的．zip文件中以．jpg的格式解壓出來(lái)。　　更多材料：GarlandScience的網(wǎng)站還包括一些與《理解生物信息學(xué)》主題相關(guān)的額外的材料。7個(gè)部分中任何一部分都對(duì)應(yīng)一個(gè)．pdf文件，它通過(guò)一系列與這些章節(jié)內(nèi)容相關(guān)的有用的網(wǎng)址鏈接，能鏈接到一些的有用的數(shù)據(jù)庫(kù)、文件格式定義、免費(fèi)的程序以及允許數(shù)據(jù)在線分析的服務(wù)器上。此外，在闡述分析方法時(shí)所用到的數(shù)據(jù)也會(huì)被提供。這就允許讀者對(duì)同一數(shù)據(jù)重新進(jìn)行分析，重現(xiàn)《理解生物信息學(xué)》所顯示的結(jié)果，并嘗試其他技術(shù)。

圖書封面

圖書標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    理解生物信息學(xué) PDF格式下載

---