Publisher's Synopsis
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
