Buch, Englisch, 377 Seiten, HC runder Rücken kaschiert, Format (B × H): 160 mm x 241 mm, Gewicht: 837 g
Buch, Englisch, 377 Seiten, HC runder Rücken kaschiert, Format (B × H): 160 mm x 241 mm, Gewicht: 837 g
ISBN: 978-0-7923-7087-1
Verlag: Springer US
After genomic sequencing, microarray technology has emerged as a widely used platform for genomic studies in the life sciences. Microarray technology provides a systematic way to survey DNA and RNA variation. With the abundance of data produced from microarray studies, however, the ultimate impact of the studies on biology will depend heavily on data mining and statistical analysis. The contribution of this book is to provide readers with an integrated presentation of various topics on analyzing microarray data.
Zielgruppe
Research
Fachgebiete
- Mathematik | Informatik Mathematik Numerik und Wissenschaftliches Rechnen Angewandte Mathematik, Mathematische Modelle
- Naturwissenschaften Biowissenschaften Biowissenschaften Evolutionsbiologie
- Medizin | Veterinärmedizin Medizin | Public Health | Pharmazie | Zahnmedizin Vorklinische Medizin: Grundlagenfächer Humangenetik
- Naturwissenschaften Biowissenschaften Molekularbiologie
- Naturwissenschaften Biowissenschaften Biowissenschaften DNA und Transgene Organismen
- Mathematik | Informatik Mathematik Stochastik Mathematische Statistik
- Medizin | Veterinärmedizin Medizin | Public Health | Pharmazie | Zahnmedizin Klinische und Innere Medizin Onkologie, Krebsforschung
- Interdisziplinäres Wissenschaften Wissenschaften: Forschung und Information Datenanalyse, Datenverarbeitung
Weitere Infos & Material
DNA, RNA, Protein, and Gene Expression.- Microarray Technology.- Inherent Variability in Microarray Data.- Background Noise.- Transformation and Normalization.- Missing Values in Microarray Data.- Saturated Intensity Readings in Microarray Data.- Experimental Design.- Anova Models for Michrorray Data.- Multiple Testing in Microarray Studies.- Permutation Tests in Microarray Data.- Bayesian Methods for Microarray Data.- Power and Sample Size Considerations at the Planning Stage.- Cluster Analysis.- Principal Components and Singular Value Decomposition.- Self-organizing Maps.- Discrimination and Classification.- Artificial Neural Networks.- Support Vector Machines.
