Advanced analysis of gene expression microarray data

>> Google Books

所蔵情報QRコード

Advanced analysis of gene expression microarray data / Aidong Zhang

資料種別:: 図書
出版情報:: Hackensack, NJ : World Scientific, c2006
形態:: xv, 339 p. ; 24 cm
著者名:: Zhang, Aidong
ISBN:: 9789812566454 [9812566457]
書誌ID:: BB00532226

子書誌情報

フルテキスト

所蔵情報

他の版・巻

書誌詳細

注記:

Includes bibliographical references and index

主題:

DNA microarrays; Gene expression

言語:

英語

目次情報:

Preface

Introduction / 1：

The Microarray: Key to Functional Genomics and Systems Biology / 1.1：

Applications of Microarray / 1.2：

Gene Expression Profiles in Different Tissues / 1.2.1：

Developmental Genetics / 1.2.2：

Gene Expression Patterns in Model Systems / 1.2.3：

Differential Gene Expression Patterns in Diseases / 1.2.4：

Gene Expression Patterns in Pathogens / 1.2.5：

Gene Expression in Response to Drug Treatments / 1.2.6：

Genotypic Analysis / 1.2.7：

Mutation Screening of Disease Genes / 1.2.8：

Framework of Microarray Data Analysis / 1.3：

Summary / 1.4：

Basic Concepts of Molecular Biology / 2：

Cells / 2.1：

Proteins / 2.3：

Nucleic Acids / 2.4：

DNA / 2.4.1：

RNA / 2.4.2：

Central Dogma of Molecular Biology / 2.5：

Genes and the Genetic Code / 2.5.1：

Transcription and Gene Expression / 2.5.2：

Translation and Protein Synthesis / 2.5.3：

Genotype and Phenotype / 2.6：

Overview of Microarray Experiments / 2.7：

Microarray Chip Manufacture / 3.1：

Deposition-Based Manufacture / 3.2.1：

In Situ Manufacture / 3.2.2：

The Affymetrix GeneChip / 3.2.2.1：

Steps of Microarray Experiments / 3.3：

Sample Preparation and Labeling / 3.3.1：

Hybridization / 3.3.2：

Image Scanning / 3.3.3：

Image Processing / 3.4：

Microarray Data Cleaning and Preprocessing / 3.5：

Data Transformation / 3.5.1：

Missing Value Estimation / 3.5.2：

Data Normalization / 3.6：

Global Normalization Approaches / 3.6.1：

Standardization / 3.6.1.1：

Iterative linear regression / 3.6.1.2：

Intensity-Dependent Normalization / 3.6.2：

LOWESS: Locally weighted linear regression / 3.6.2.1：

Distribution normalization / 3.6.2.2：

Analysis of Differentially-Expressed Genes / 3.7：

Basic Concepts in Statistics / 4.1：

Statistical Inference / 4.2.1：

Hypothesis Test / 4.2.2：

Fold Change Methods / 4.3：

k-fold Change / 4.3.1：

Unusual Ratios / 4.3.2：

Model-Based Methods / 4.3.3：

Parametric Tests / 4.4：

Paired t-Test / 4.4.1：

Unpaired t-Test / 4.4.2：

Variants of t-Test / 4.4.3：

Non-Parametric Tests / 4.5：

Classical Non-Parametric Statistics / 4.5.1：

Other Non-Parametric Statistics / 4.5.2：

Bootstrap Analysis / 4.5.3：

Multiple Testing / 4.6：

Family-Wise Error Rate / 4.6.1：

Sidak correction and Bonferroni correction / 4.6.1.1：

Holm's step-wise correction / 4.6.1.2：

False Discovery Rate / 4.6.2：

Permutation Correction / 4.6.3：

SAM: Significance Analysis of Microarrays / 4.6.4：

ANOVA: Analysis of Variance / 4.7：

One-Way ANOVA / 4.7.1：

Two-Way ANOVA / 4.7.2：

Gene-Based Analysis / 4.8：

Proximity Measurement for Gene Expression Data / 5.1：

Euclidean Distance / 5.2.1：

Correlation Coefficient / 5.2.2：

Pearson's correlation coefficient / 5.2.2.1：

Jackknife correlation / 5.2.2.2：

Spearman's rank-order correlation / 5.2.2.3：

Kullback-Leibler Divergence / 5.2.3：

Partition-Based Approaches / 5.3：

K-means and its Variations / 5.3.1：

SOM and its Extensions / 5.3.2：

Graph-Theoretical Approaches / 5.3.3：

HCS and CLICK / 5.3.3.1：

CAST: Cluster affinity search technique / 5.3.3.2：

Model-Based Clustering / 5.3.4：

Hierarchical Approaches / 5.4：

Agglomerative Algorithms / 5.4.1：

Divisive Algorithms / 5.4.2：

DAA: Deterministic annealing algorithm / 5.4.2.1：

SPC: Super-paramagnetic clustering / 5.4.2.2：

Density-Based Approaches / 5.5：

DBSCAN / 5.5.1：

OPTICS / 5.5.2：

DENCLUE / 5.5.3：

GPX: Gene Pattern eXplorer / 5.6：

The Attraction Tree / 5.6.1：

The distance measure / 5.6.1.1：

The density definition / 5.6.1.2：

The attraction tree / 5.6.1.3：

An example of attraction tree / 5.6.1.4：

Interactive Exploration of Coherent Patterns / 5.6.2：

Generating the index list / 5.6.2.1：

The coherent pattern index and its graph / 5.6.2.2：

Drilling down to subgroups / 5.6.2.3：

Experimental Results / 5.6.3：

Interactive exploration of Iyer's data and Spellman's data / 5.6.3.1：

Comparison with other algorithms / 5.6.3.2：

Efficiency and Scalability / 5.6.4：

Cluster Validation / 5.7：

Homogeneity and Separation / 5.7.1：

Agreement with Reference Partition / 5.7.2：

Reliability of Clusters / 5.7.3：

P-value of a cluster / 5.7.3.1：

Prediction strength / 5.7.3.2：

Sample-Based Analysis / 5.8：

Selection of Informative Genes / 6.1：

Supervised Approaches / 6.2.1：

Differentially expressed genes / 6.2.1.1：

Gene pairs / 6.2.1.2：

Virtual genes / 6.2.1.3：

Genetic algorithms / 6.2.1.4：

Unsupervised Approaches / 6.2.2：

PCA: Principal component analysis / 6.2.2.1：

Gene shaving / 6.2.2.2：

Class Prediction / 6.3：

Linear Discriminant Analysis / 6.3.1：

Instance-Based Classification / 6.3.2：

KNN: k-Nearest Neighbor / 6.3.2.1：

Weighted voting / 6.3.2.2：

Decision Trees / 6.3.3：

Support Vector Machines / 6.3.4：

Class Discovery / 6.4：

Problem statement / 6.4.1：

CLIFF: CLustering via Iterative Feature Filtering / 6.4.2：

The sample-partition process / 6.4.2.1：

The gene-filtering process / 6.4.2.2：

ESPD: Empirical Sample Pattern Detection / 6.4.3：

Measurements for phenotype structure detection / 6.4.3.1：

Algorithms / 6.4.3.2：

Experimental results / 6.4.3.3：

Classification Validation / 6.5：

Prediction Accuracy / 6.5.1：

Prediction Reliability / 6.5.2：

Pattern-Based Analysis / 6.6：

Mining Association Rules / 7.1：

Concepts of Association-Rule Mining / 7.2.1：

The Apriori Algorithm / 7.2.2：

The FP-Growth Algorithm / 7.2.3：

The CARPENTER Algorithm / 7.2.4：

Generating Association Rules in Microarray Data / 7.2.5：

Rule filtering / 7.2.5.1：

Rule grouping / 7.2.5.2：

Mining Pattern-Based Clusters in Microarray Data / 7.3：

Heuristic Approaches / 7.3.1：

Coupled two-way clustering (CTWC) / 7.3.1.1：

Plaid model / 7.3.1.2：

Biclustering and 5-Clusters / 7.3.1.3：

Deterministic Approaches / 7.3.2：

[delta]-pCluster / 7.3.2.1：

OP-Cluster / 7.3.2.2：

Mining Gene-Sample-Time Microarray Data / 7.4：

Three-dimensional Microarray Data / 7.4.1：

Coherent Gene Clusters / 7.4.2：

Problem description / 7.4.2.1：

Maximal coherent sample sets / 7.4.2.2：

The mining algorithms / 7.4.2.3：

Tri-Clusters / 7.4.2.4：

The tri-cluster model / 7.4.3.1：

Properties of tri-clusters / 7.4.3.2：

Mining tri-clusters / 7.4.3.3：

Visualization of Microarray Data / 7.5：

Single-Array Visualization / 8.1：

Box Plot / 8.2.1：

Histogram / 8.2.2：

Scatter Plot / 8.2.3：

Gene Pies / 8.2.4：

Multi-Array Visualization / 8.3：

Global Visualizations / 8.3.1：

Optimal Visualizations / 8.3.2：

Projection Visualization / 8.3.3：

VizStruct / 8.4：

Fourier Harmonic Projections / 8.4.1：

Discrete-time signal paradigm / 8.4.1.1：

The Fourier harmonic projection algorithm / 8.4.1.2：

Properties of FHPs / 8.4.2：

Basic properties / 8.4.2.1：

Advanced properties / 8.4.2.2：

Harmonic equivalency / 8.4.2.3：

Effects of harmonic twiddle power index / 8.4.2.4：

Enhancements of Fourier Harmonic Projections / 8.4.3：

Exploratory Visualization of Gene Profiling / 8.4.4：

Microarray data sets for visualization / 8.4.4.1：

Identification of informative genes / 8.4.4.2：

Classifier construction and evaluation / 8.4.4.3：

Dimension arrangement / 8.4.4.4：

Visualization of various data sets / 8.4.4.5：

Comparison of FFHP to Sammon's mapping / 8.4.4.6：

Confirmative Visualization of Gene Time-series / 8.4.5：

Data sets for visualization / 8.4.5.1：

The harmonic projection approach / 8.4.5.2：

Rat kidney data set / 8.4.5.3：

Yeast-A data set / 8.4.5.4：

Yeast-B data set / 8.4.5.5：

New Trends in Mining Gene Expression Microarray Data / 8.5：

Meta-Analysis of Microarray Data / 9.1：

Meta-Analysis of Differential Genes / 9.2.1：

Meta-Analysis of Co-Expressed Genes / 9.2.2：

Semi-Supervised Clustering / 9.3：

General Semi-Supervised Clustering Algorithms / 9.3.1：

A Seed-Generation Approach / 9.3.2：

Seed-generation methods / 9.3.2.1：

Pattern-selection rules / 9.3.2.2：

The framework for the seed-generation approach / 9.3.2.3：

Integration of Gene Expression Data with Other Data / 9.4：

A Probabilistic Model for Joint Mining / 9.4.1：

A Graph-Based Model for Joint Mining / 9.4.2：

Conclusion / 9.5：

Bibliography

Index

Preface

Introduction / 1：

The Microarray: Key to Functional Genomics and Systems Biology / 1.1：

Applications of Microarray / 1.2：

Gene Expression Profiles in Different Tissues / 1.2.1：

Developmental Genetics / 1.2.2：

続きを見る

ブックレビュー

類似資料:

1 図書 DNA microarrays and gene expression : from experiments to data analysis and modeling (:pb) Baldi, Pierre, Hatfield, G. Wesley, 1940- Cambridge University Press	7 図書 Microarray image analysis : an algorithmic approach (: hard) Fraser, Karl, Wang, Zidong, Liu, Xiaohui Chapman & Hall/CRC
2 図書 DNA microarray technology and data analysis in cancer research Li, Shaoguang, Li, Dongguang World Scientific	8 図書 Molecular biology of aging : gene stability and gene expression Sohal, R. S., Birnbaum, Linda S., Cutler, Richard G. Raven Press
3 図書 Nuclear structure and gene expression Bird, R. Curtis Academic Press	9 図書 Free radicals and diseases : gene expression, cellular metabolism, and pathophysiology NATO Advanced Study Institute on Free Radicals and Diseases: Gene Expression, Cellular Metabolism and Pathophysiology, … IOS Press
4 図書 Gene structure and expression (: pbk.) Hawkins, John D. Cambridge University Press	10 図書 Microarrays for an integrative genomics Kohane, Isaac S., Kho, Alvin T., Butte, Atul J. MIT Press
5 図書 Control of gene expression Maclean, Norman, 1932- Academic Press	11 図書 Gene rearrangement (: hard ; : pbk) Hames, B. David, Glover, David M. IRL Press
6 図書 Gene structure and expression (: pbk.) Hawkins, John D. Cambridge University Press	12 図書 Expression systems and processes for rDNA products Hatch, Randolph T., 1945-, American Chemical Society. Division of Biochemical Technology American Chemical Society