بیوانفورماتیک و یادگیری ماشین برای زیست شناسی سرطان
سرطان عامل اصلی مرگ و میر در سراسر جهان است و سالانه جان میلیون ها نفر را می گیرد. زیست شناسی سرطان یک زمینه تحقیقاتی ضروری برای درک چگونگی توسعه، تکامل و واکنش سرطان به درمان است. روش های محاسباتی در بیوانفورماتیک و یادگیری ماشینی با بهره گیری از یک سری فناوری های "omics" (مانند ژنومیک، رونویسی و اپی ژنومیکس)، می توانند به دانشمندان و محققان کمک کنند تا پیچیدگی ناهمگونی سرطان، تومورزایی و کشف داروهای ضد سرطان را رمزگشایی کنند. به ویژه، بیوانفورماتیک امکان بازجویی و تجزیه و تحلیل سیستماتیک سرطان را از دیدگاه های مختلف، از جمله ژنتیک، اپی ژنتیک، شبکه های سیگنالینگ، رفتار سلولی، تظاهرات بالینی و اپیدمیولوژی فراهم می کند. علاوه بر این، به لطف هجوم داده های توالی یابی نسل بعدی (NGS) در دوران پس از ژنومی و چندین پروژه مهم متمرکز بر سرطان، مانند اطلس ژنوم سرطان (TCGA) و کنسرسیوم تحلیل تومور پروتئومی بالینی (CPTAC)، یادگیری ماشینی دارای یک نقش منحصر به فرد سودمند در تقویت تحقیقات سرطان مبتنی بر داده و کشف روش های جدید برای پیش آگهی، پیش بینی و درمان از سرطان
Bioinformatics and Machine Learning for Cancer Biology
Cancer is a leading cause of death worldwide, claiming millions of lives each year. Cancer biology is an essential research field to understand how cancer develops, evolves, and responds to therapy. By taking advantage of a series of "omics" technologies (e.g., genomics, transcriptomics, and epigenomics), computational methods in bioinformatics and machine learning can help scientists and researchers to decipher the complexity of cancer heterogeneity, tumorigenesis, and anticancer drug discovery. Particularly, bioinformatics enables the systematic interrogation and analysis of cancer from various perspectives, including genetics, epigenetics, signaling networks, cellular behavior, clinical manifestation, and epidemiology. Moreover, thanks to the influx of next-generation sequencing (NGS) data in the postgenomic era and multiple landmark cancer-focused projects, such as The Cancer Genome Atlas (TCGA) and Clinical Proteomic Tumor Analysis Consortium (CPTAC), machine learning has a uniquely advantageous role in boosting data-driven cancer research and unraveling novel methods for the prognosis, prediction, and treatment of cancer.
Product details
- Publisher : Mdpi AG (August 11, 2022)
- Language : English
- Hardcover : 198 pages
- ISBN-10 : 3036548149
- ISBN-13 : 978-3036548142
- Item Weight : 1.39 pounds
- Dimensions : 6.69 x 0.69 x 9.61 inches