生物信息學(xué)算法導(dǎo)論

內(nèi)容概要

這是一本關(guān)于生物信息學(xué)算法和計(jì)算思想的導(dǎo)論性教科書(shū)，原著由國(guó)際上的權(quán)威學(xué)者撰寫(xiě)，經(jīng)國(guó)內(nèi)知名專家精心翻譯為中文，系統(tǒng)介紹推動(dòng)生物信息學(xué)不斷進(jìn)步的算法原理。全書(shū)強(qiáng)調(diào)的是算法中思想的運(yùn)用，而不是對(duì)表面上并不相關(guān)的各類問(wèn)題進(jìn)行簡(jiǎn)單的堆砌。體現(xiàn)了以下特色：闡述生物學(xué)中的相關(guān)問(wèn)題，涉及對(duì)問(wèn)題的模型化處理并提供一種或多種解決方案；簡(jiǎn)要介紹生物信息學(xué)領(lǐng)域領(lǐng)軍人物；饒有趣味的小插圖使得概念更加具體和形象，方法更容易被領(lǐng)會(huì)，激勵(lì)學(xué)生學(xué)習(xí)的興趣并鼓勵(lì)他們加入到生物信息學(xué)研究工作中來(lái)。書(shū)中的大量論述表明：較少的幾種設(shè)計(jì)思想就能解決大量的生物學(xué)難題。    目前，可供本科學(xué)生使用的生物信息學(xué)著作為數(shù)不多，本書(shū)恰恰是其中的一本。國(guó)內(nèi)生物信息學(xué)，計(jì)算生物學(xué)、計(jì)算數(shù)學(xué)等領(lǐng)域的本科生、研究生和其他研究人員，會(huì)從書(shū)中汲取基本的算法原理、解決實(shí)際問(wèn)題的方法和技巧，進(jìn)而更好地從事相關(guān)研究工作。

書(shū)籍目錄

1 緒論2 算法與復(fù)雜性　2.1 算法是什么？　2.2 生物學(xué)算法與計(jì)算機(jī)算法　2.3 找錢(qián)問(wèn)題　2.4 正確的與錯(cuò)誤的算法　2.5 遞歸算法　2.6 迭代算法與遞歸算法的比較　2.7 快速算法與慢速算法的比較　2.8 大O記號(hào)　2.9 算法設(shè)計(jì)技術(shù)　2.10 易處理與不易處理問(wèn)題的比較　2.11 附注　人物天地：Richard Karp　2.12 問(wèn)題3 分子生物學(xué)簡(jiǎn)介 　3.1 生命是由什么組成的？　3.2 什么是遺傳物質(zhì)？　3.3 基因是干什么的？　3.4 哪些分子編碼基因？　3.5 DNA的結(jié)構(gòu)是怎樣的？　3.6 在DNA和蛋白質(zhì)間傳遞信息的物質(zhì)是什么？　3.7 蛋白質(zhì)是由什么組成的？　3.8 我們?cè)撊绾稳シ治鯠NA？　3.9 一個(gè)物種的個(gè)體差異是怎樣產(chǎn)生的？　3.10 不同物種間有怎樣的差異？　3.11 為什么要搞生物信息學(xué)？　人物天地：Russell F.Doolittle4 窮舉搜索　4.1 限制酶切作圖 　4.2 不實(shí)用的限制酶切作圖算法　4.3 一個(gè)實(shí)用的限制酶切作圖算法　4.4 DNA序列上的調(diào)控基序　4.5 序列剖面 　4.6 基序發(fā)現(xiàn)問(wèn)題　4.7 檢索樹(shù) 　4.8 發(fā)現(xiàn)基序　4.9 發(fā)現(xiàn)一個(gè)中間字符串　4.10 附注　人物天地：Gary Stormo　4.11 問(wèn)題5 貪婪算法　5.1 基因組重排　5.2 反序排序法　5.3 近似算法　5.4 斷點(diǎn)：貪婪的另一面　5.5 貪婪方法與基序發(fā)現(xiàn)　5.6 附注　人物天地：David Sankoff　5.7 問(wèn)題6 動(dòng)態(tài)規(guī)劃算法　6.1 DNA序列比較的力量　6.2 找錢(qián)問(wèn)題重述　6.3 曼哈頓游客問(wèn)題　6.4 編輯距離與聯(lián)配　6.5 最長(zhǎng)共同子序列　6.6 全局序列聯(lián)配　6.7 得分聯(lián)配　6.8 局部序列聯(lián)配　6.9 缺口罰分聯(lián)配　6.10 多重聯(lián)配　6.11 基因預(yù)測(cè)　6.12 基因預(yù)測(cè)的統(tǒng)計(jì)方法　6.13 基于相似性的基因預(yù)測(cè)方法　6.14 剪接聯(lián)配　6.15 附注　人物天地：Michael Waterman　6.1 6 問(wèn)題7 分而治之算法　7.1 排序問(wèn)題的分治法　7.2 空間效率高的序列聯(lián)配　7.3 模序聯(lián)配和四個(gè)俄羅斯人的加速法　7.4 在亞二次時(shí)間內(nèi)構(gòu)建聯(lián)配　7.5 附注　人物天地：Webb Miller　7.6 問(wèn)題8 圖算法　8.1 圖　8.2 圖與遺傳學(xué)　8.3 DNA測(cè)序　8.4 最短超字符串問(wèn)題　8.5 作為可選擇測(cè)序技術(shù)的DNA陣列　8.6 雜交測(cè)序　8.7 SBH與Hamilton路問(wèn)題 　8.8 SBH與歐拉路問(wèn)題　8.9 DNA測(cè)序中的片段裝配　8.10 蛋白質(zhì)測(cè)序和鑒定　8.11 肽測(cè)序問(wèn)題　8.12 譜圖　8.13 基于數(shù)據(jù)庫(kù)搜索的蛋白質(zhì)鑒定　8.14 譜的卷積　8.15 譜聯(lián)配　8.16 附注　8.17 問(wèn)題9 組合模式匹配　9.1 重復(fù)序列發(fā)現(xiàn)　9.2 哈希表　9.3 精確模式匹配　9.4 關(guān)鍵詞樹(shù)　9.5 后綴樹(shù)　9.6 啟發(fā)式相似性搜索算法　9.7 近似模式匹配　9.8 BLAST：依靠數(shù)據(jù)庫(kù)的序列比較　9.9 附注　人物天地：Gene Myers　9.10 問(wèn)題10 聚類和樹(shù)　10.1 基因表達(dá)分析　10.2 系統(tǒng)聚類　10.3 k-均值聚類　10.4 聚類和有瑕團(tuán)　10.5 進(jìn)化樹(shù)　10.6 基于距離的樹(shù)重構(gòu)　10.7 由可加矩陣重構(gòu)樹(shù)　10.8 進(jìn)化樹(shù)與系統(tǒng)聚類　10.9 基于字符的樹(shù)重構(gòu)　10.10 小簡(jiǎn)約問(wèn)題　10.11 大簡(jiǎn)約問(wèn)題　10.12 附注　人物天地：Ron Shamir　10.13 問(wèn)題11 隱馬氏模型　11.1 CG島和“公平賭場(chǎng)”　11.2 公平賭場(chǎng)和隱馬氏模型　11.3 解碼算法　11.4 隱馬氏模型參數(shù)估計(jì)　11.5 剖面隱馬氏模型聯(lián)配　11.6 附注　人物天地：David Haussler　11.7 問(wèn)題12 隨機(jī)化算法　12.1 排序問(wèn)題回顧　12.2 吉布斯抽樣　12.3 隨機(jī)投影　12.4 附注　12.5 問(wèn)題參考文獻(xiàn)索引

媒體關(guān)注與評(píng)論

　　前言　　20世紀(jì)90年代初，當(dāng)我們中的一位第一次講生物信息學(xué)課時(shí)，他還不能確定會(huì)有多少學(xué)生來(lái)聽(tīng)。雖然那時(shí)Smith?Waterman算法和BLAST算法已經(jīng)被開(kāi)發(fā)出來(lái)了，但在生物學(xué)家中還不像現(xiàn)在這樣廣為流傳，甚至“bioinformatics（生物信息學(xué)）”一詞還沒(méi)有被創(chuàng)造出來(lái)。那時(shí)，大多數(shù)人認(rèn)為DNA陣列只不過(guò)是尚未確定實(shí)際應(yīng)用的智力玩具，只有少數(shù)狂熱分子認(rèn)為這是一項(xiàng)擁有巨大潛力的技術(shù)。為數(shù)不多的生物信息學(xué)專家開(kāi)始為尚不存在的數(shù)據(jù)集發(fā)展新的算法思想：DavidSankoff設(shè)立了一項(xiàng)基金，專門(mén)鼓勵(lì)在缺乏基因次序資料時(shí)所作的基因組重排研究；MichaelWaterman和GaryStormo在幾乎沒(méi)有啟動(dòng)子樣本可用時(shí)發(fā)展了基序（或稱為模體，motif）查找算法；在還沒(méi)有裝配好細(xì)菌基因組時(shí)，GeneMyers就研發(fā)了一個(gè)精致的片段裝配工具；當(dāng)長(zhǎng)為172282個(gè)核苷酸的Epstein?Barr病毒還是GenBank中最長(zhǎng)的序列時(shí)，WebbMiller已在夢(mèng)想比對(duì)十億核苷酸長(zhǎng)度的DNA序列了。GenBank也恰好剛剛完成了自身的轉(zhuǎn)變，從一系列（紙張?。┭b訂的冊(cè)子轉(zhuǎn)變?yōu)橛涗浽诖艓系碾娮訑?shù)據(jù)庫(kù)，從而可以發(fā)送給世界各地的科學(xué)家們了。　　我們必須回到20世紀(jì)80年代中期和90年代早期去感謝在這十年中生物學(xué)所發(fā)生的變革。然而，生物信息學(xué)比生物學(xué)的影響更大——它對(duì)計(jì)算科學(xué)也產(chǎn)生了深遠(yuǎn)的影響。生物學(xué)已快速成為新算法和統(tǒng)計(jì)問(wèn)題的一大數(shù)據(jù)源，而且應(yīng)用在生物學(xué)上的算法之多也超越了其他任何一種基礎(chǔ)科學(xué)。將計(jì)算機(jī)科學(xué)和生物學(xué)聯(lián)系起來(lái)具有重要的教育意義，它不僅改變了我們教生物學(xué)家計(jì)算思想的方法，也教給了計(jì)算機(jī)科學(xué)家們懂得如何應(yīng)用算法?！　∵^(guò)去，只有計(jì)算機(jī)科學(xué)家們才學(xué)習(xí)計(jì)算機(jī)科學(xué)這門(mén)課程，而且僅局限于來(lái)自其他學(xué)科的少數(shù)學(xué)生。在20世紀(jì)90年代早期，幾乎不可能（雖然歡迎）看到生物學(xué)專業(yè)學(xué)生去上算法課。但是現(xiàn)在情況改變了，許多生物學(xué)專業(yè)的學(xué)生都了解了一些淺顯的算法知識(shí)。同時(shí)，好奇的計(jì)算機(jī)科學(xué)專業(yè)的學(xué)生也會(huì)學(xué)習(xí)一些遺傳學(xué)和生物信息學(xué)的基礎(chǔ)知識(shí)。雖然這樣做的學(xué)生相對(duì)來(lái)說(shuō)還是少數(shù)，但要知道在20世紀(jì)90年代初期幾乎還沒(méi)有生物信　　息學(xué)課程，而現(xiàn)在看來(lái)數(shù)量已經(jīng)不少了。我們預(yù)見(jiàn)，大學(xué)本科生的生物信息學(xué)課程將成為所有一流大學(xué)的固定課程。這是必然的趨勢(shì)，而不是空想?！　∵@是一本關(guān)于生物信息學(xué)算法及其計(jì)算思想的導(dǎo)論性教科書(shū)，近20年來(lái)，正是這些計(jì)算思想推動(dòng)著生物信息學(xué)算法的發(fā)展。還有許多重要的概率和統(tǒng)計(jì)技術(shù)以及當(dāng)前生物信息學(xué)專家們正在研究的重要課題尚未涉及到。我們故意不包括計(jì)算生物學(xué)的所有領(lǐng)域，例如，像蛋白質(zhì)折疊這樣重要的課題甚至也沒(méi)討論。最早的生物信息學(xué)教科書(shū)是由Waterman在1995年寫(xiě)的［108］，此書(shū)極好地介紹了DNA統(tǒng)計(jì)；而Gusfield在1997年寫(xiě)的書(shū)［44］可以說(shuō)是字符串算法的大全。Durbin等在1998年寫(xiě)的書(shū)［31］和Baldi與Brunak在1997年寫(xiě)的書(shū)［7］則著重于隱馬氏模型和機(jī)器學(xué)習(xí)技術(shù)；Baxevanis和Ouellette在1998年寫(xiě)的書(shū)［10］是一本優(yōu)秀的生物信息學(xué)實(shí)用指南；Mount在2001年寫(xiě)的書(shū)［76］很好地描述了生物學(xué)問(wèn)題與生物信息學(xué)技術(shù)之間的聯(lián)系；Bourne和Weissig在2002年寫(xiě)的書(shū)［15］則將重點(diǎn)放在蛋白質(zhì)生物信息學(xué)方面。網(wǎng)絡(luò)上也有許多生物信息學(xué)課程筆記，我們從互聯(lián)網(wǎng)（WWW）上由SerafimBatzoglou、DickKarp、RonShamir、MartinTompa等人提供的材料學(xué)到了許多有關(guān)生物信息學(xué)的教學(xué)法。

圖書(shū)封面

圖書(shū)標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    生物信息學(xué)算法導(dǎo)論 PDF格式下載

---