Bücher von R. Deepa Lakshmi

L'exploration des données des bases de données de séquences de protéines pose des problèmes car de nombreuses séquences de protéines ne sont pas relationnelles, alors que la plupart des algorithmes d'exploration des données supposent que les données d'entrée sont des bases de données relationnelles. En outre, la base de données de séquences de protéines brutes ne fournit pas d'informations significatives tant qu'elle n'est pas classée dans des catégories pertinentes. Dans ce livre, 1700 données de séquences de protéines VEGF (Vascular Endothelial Growth Factor) ont été utilisées et des algorithmes d'exploration de données ont été utilisés pour la prédiction. Dans le domaine de la bio-informatique, les techniques de Data Mining (DM) sont largement utilisées pour prédire la structure des protéines. L'interprétation de données biologiques volumineuses est complexe et le besoin de concepts d'exploration de données est important. Les données moléculaires telles que les séquences d'ADN/de protéines, le niveau d'expression génétique, les voies biochimiques, les biomarqueurs et les structures protéiques constituent une part importante des données biologiques. Le livre explique comment les techniques standard de Data Mining telles que l'extraction de données protéiques, la ségrégation par clustering, l'association et la visualisation sur un ensemble de données de séquences protéiques en temps réel sont réalisées. L'outil intégré existant BioParisodhana est comparé à BioBCDM où le nouv

A extração de dados de bases de dados de sequências de proteínas coloca desafios porque muitas sequências de proteínas não são relacionais, enquanto a maioria dos algoritmos de extração de dados assume que os dados de entrada são bases de dados relacionais. Além disso, a base de dados de sequências de proteínas em bruto não fornece informações significativas enquanto não for dividida em categorias significativas. Neste livro, foram utilizados 1700 conjuntos de dados de sequências de proteínas VEGF (Vascular Endothelial Growth Fator) e algoritmos de exploração de dados para a previsão. Em Biocomputação, as técnicas de Data Mining (DM) são amplamente utilizadas para a previsão da estrutura das proteínas. A interpretação de dados biológicos volumosos é complexa e a necessidade de conceitos de extração de dados é significativa. Os dados moleculares, como a sequência de ADN/proteínas, o nível de expressão genética, as vias bioquímicas, os biomarcadores e as estruturas proteicas constituem uma parte importante dos dados biológicos. O livro aborda a forma como são executadas as técnicas padrão de exploração de dados, como a extração de dados de proteínas, a segregação por agrupamento, a associação e a visualização num conjunto de dados de sequências de proteínas em tempo real. A ferramenta integrada existente BioParisodhana é comparada com o BioBCDM, onde a nova ferramenta supera o BioParisodhana.

La extracción de datos de bases de datos de secuencias de proteínas plantea dificultades porque muchas secuencias de proteínas no son relacionales, mientras que la mayoría de los algoritmos de extracción de datos suponen que los datos de entrada son bases de datos relacionales. Además, la base de datos de secuencias de proteínas en bruto no proporciona información significativa hasta que no se segrega en categorías significativas. En este libro, se han utilizado 1700 datos de secuencias de proteínas VEGF (factor de crecimiento endotelial vascular) y algoritmos de minería de datos para la predicción. En Bioinformática, las técnicas de Minería de Datos (MD) se utilizan ampliamente para la predicción de la estructura de las proteínas. La interpretación de datos biológicos voluminosos es compleja y la necesidad de conceptos de minería de datos es significativa. Los datos moleculares, como la secuencia de ADN/proteínas, el nivel de expresión genética, las vías bioquímicas, los biomarcadores y las estructuras proteicas, constituyen una parte importante de los datos biológicos. El libro analiza cómo se llevan a cabo técnicas estándar de Minería de Datos, como la extracción de datos de proteínas, la segregación por agrupación, la asociación y la visualización en un conjunto de datos de secuencias de proteínas en tiempo real. La herramienta integrada existente BioParisodhana se compara con BioBCDM, donde la nueva herramienta supera a BioParisodhana.

Il Data Mining dei database di sequenze proteiche pone delle sfide perché molte sequenze proteiche non sono relazionali, mentre la maggior parte degli algoritmi di Data Mining presuppone che i dati di input siano database relazionali. Inoltre, i database di sequenze proteiche grezzi non forniscono informazioni significative finché non vengono suddivisi in categorie significative. In questo libro sono stati utilizzati 1700 dati di sequenze proteiche di VEGF (Vascular Endothelial Growth Factor) e algoritmi di Data Mining per la predizione. Nel biocomputing, le tecniche di Data Mining (DM) sono ampiamente utilizzate per la previsione della struttura delle proteine. L'interpretazione di voluminosi dati biologici è complessa e la necessità di concetti di Data Mining è significativa. I dati molecolari come la sequenza di DNA/proteine, il livello di espressione genetica, le vie biochimiche, i biomarcatori e le strutture proteiche costituiscono una parte importante dei dati biologici. Il libro illustra come vengono eseguite le tecniche standard di Data Mining, come l'estrazione dei dati proteici, la segregazione tramite clustering, l'associazione e la visualizzazione su un set di dati di sequenze proteiche in tempo reale. Lo strumento integrato esistente BioParisodhana viene confrontato con BioBCDM, dove il nuovo strumento supera BioParisodhana.

Data Mining von Proteinsequenzdatenbanken stellt eine Herausforderung dar, da viele Proteinsequenzen nicht relational sind, während die meisten Data-Mining-Algorithmen davon ausgehen, dass die Eingabedaten eine relationale Datenbank sind. Darüber hinaus liefern rohe Proteinsequenzdatenbanken keine aussagekräftigen Informationen, solange sie nicht in sinnvolle Kategorien unterteilt werden. In diesem Buch wurden 1700 VEGF (Vascular Endothelial Growth Factor) Proteinsequenzdaten verwendet und Data-Mining-Algorithmen für die Vorhersage eingesetzt. Im Biocomputing werden Data-Mining-Techniken (DM) häufig für die Vorhersage von Proteinstrukturen verwendet. Die Interpretation umfangreicher biologischer Daten ist komplex und der Bedarf an Data-Mining-Konzepten ist groß. Molekulare Daten wie DNA-/Proteinsequenzen, das Niveau der genetischen Expression, biochemische Pfade, Biomarker und Proteinstrukturen machen einen großen Teil der biologischen Daten aus. In diesem Buch wird erörtert, wie Standard-Data-Mining-Techniken wie die Extraktion von Proteindaten, Segregation durch Clustering, Assoziation und Visualisierung auf einem Echtzeit-Proteinsequenzdatensatz durchgeführt werden. Das bestehende integrierte Tool BioParisodhana wird mit BioBCDM verglichen, wobei das neue Tool BioParisodhana übertrifft.