در این اثر علمی تقریباً همۀ حوزه‎های مطرح و در دست­ پژوهش رایج راجع ‎به تجریۀ داده‎های حاصل از توالی‎یابی نسل جدید درباره مطالعۀ ژنوم و ترنسکریپتوم پوشش داده‎ شود و برای درک بهتر علاوه بر تأکید روی مبانی آن‎ها به ذکر شیوۀ اجرای درست و دقیق پروژه‎ها با ذکر دستورات کاربردی سلسله‎وار و استفاده از منابع تصویری متعدد برای قابل فهم‎تر‎ کردن موضوع یا تجزیۀ در دست بحث استفاده شود. به‎طور‎ کلی در این اثر علمی بیش از ۱۱۲۰ دستور کاربردی مهم (شامل بیش از ۸۵۰ دستور قابل اجراء در محیط پایتون و Perl و ۲۷۰ دستور در محیط R) به‎ همراه توضیح دقیقی راجع‎به چرایی استفاده از آن‎ها و گزینه‎های لازم و مناسب برای تجزیه‎های منظور، ۳۸۳ تصویر با کیفیّت مناسب برای درک بهتر مطالب و تجزیه‎ها و ۸۶ جدول مفید در راستای کمک به مقایسه‌های‌ مختلف یا توضیح نتایج تجزیه‎ها آمده‎ است. با این اوصاف کتاب پیش‎ رو بدون اقراق تنها کتاب جامع درباره تجزیه‌وتحلیل داده‎های NGS به زبان فارسی است­ که با زبانی ساده، روان و پروژه‌محورانه نگاشته شده‎ است. محتوی و روش‎های بیان‎شده در فصل‎های مختلف آن مناسب پژوهشگران‌ عرصه‎های مختلف زیستی مانند زیست‎شناسی، کشاورزی و پزشکی است­ و نیز می‎تواند به‎عنوان منبع درسی برای دوره‎های کارشناسی ارشد و دکتری در رشته‎های مختلف؛ زیست‎شناسی مولکولی، بیوتکنولوژی کشاورزی و پزشکی، ژنتیک گیاهی و دامی و میکروبیولوژی صنعتی، کشاورزی و پزشکی استفاده شود.

پیشگفتار مؤلف ۳۵

فصل اول: روش‎های مختلف توالی یابی نسل دوم و کاربردهای آن‎ها ۴۱

مقدمه ۴۱

تعیین توالی به وسیلۀ واکنش زنجیره‌ای پلی‌مراز ۴۲

فنّاوری‎های توالی یابی Ilumina ۴۸

فراخوانی بازها در روش توالی یابی Illumina ۵۳

فنّاوری توالی یابی نانوحلقۀ DNA ۵۴

مراحل اجرا ۵۶

آماده سازی نمونه ۵۶

ساخت DNB ۵۶

بارگذاری DNB ۵۷

فنّاوری cPAS ۵۸

معرف توالی ‎یابی CoolmpStm ۵۸

آماده سازی رشتۀ دوم ۵۹

فنّاوری توالی ‎یابی جریان یونی (Ion Torrent) ۵۹

آماده‌سازی نمونه و توالی یابی در سکوی جریان یونی ۶۰

تراشه‌های نیمه ‎هادی و توالی ‎یابی غیر اپتیکی ۶۱

فراخوانی بازها ۶۳

بررسی و تحلیل ترنسکریپتوم ۶۳

توالی‎یابی و سرهم کردن ترنسکریپتوم ۶۴

توالی ‎یابی RNA ۶۴

روش‌های مختلف توالی یابی RNA ۶۵

توالی یابی RNA کل ۶۵

توالی‌یابی RNA هدف ۶۵

توالی‌یابی RNA تکسلول (scRNA-seq) ۶۶

توالی یابی Small RNA ۶۷

توالی یابی مختص رشته‎ ۶۸

نمایه ریبوزوم (Ribo-Seq) ۷۰

توالی یابی mRNA (mRNA-seq) ۷۳

فصل دوم: مبانی کنترل کیفیّت و کیفی سنجی نتایج توالی یابی ۷۵

مقدمه ۷۵

قالب FASTQ و مبانی کنترل کیفیّت بازها و خوانش‎ها ۷۵

اجرای برنامۀ fastp در محیط پایتون ۷۹

اجرای برنامۀ Rfastp در محیط R ۸۲

فصل سوم: الگوریتمهای سرهم کردن خوانشها ۸۵

مقدمه ۸۵

الگوریتم‌های سرهم‌کردن: OLC و DBG ۸۵

تعریف عمومی ‌از گراف دی‌بروین ۸۷

ضرورت استفاده از گراف دی‌بروین برای سرهم‎کردن خوانش‎های ژنوم ۸۸

ماهیت دورشته‌ای ژنوم ۹۱

تأثیر موتاسیون در اندازۀ  K-mer ۹۱

گراف دی‌بروین برای نواحی تکراری ۹۳

چند نکته مهم درباره گراف de Bruijn ۹۴

روش سرهم‎کردن ژنوم با استفاده از گراف دی‌بروین ۹۵

سرهم ‎کردن ژنوم از طریق خوانش‌های کامل و صحیح ۹۵

گراف دی‎بروین و روش توالی یابی سنگر ۹۷

تفاوت در اندازۀ K-mer برای جبران کمبودها ۹۸

چرا کانتیگهای سرهم شده کوتاه‌تر از طول خوانشها هستند؟ ۱۰۰

حافظه (RAM) لازم و توزیع K-mer در یک کتابخانه ۱۰۰

سرهم کردن ژنوم با خوانش‌های نادرست. تأثیرات و اقدامات ۱۰۱

چرا نرم‌افزارهای مبتنی ‎بر گراف دی‌بروین به میزان بالایی حافظه احتیاج دارند؟ ۱۰۱

تأثیر خطاهای توالی‌یابی در ساختار گراف دی‌بروین ۱۰۵

انشعابات، حباب‌ها و اتصالات کاذب ۱۰۶

شاخه‌ها و حباب‌ها: خطا در توالی‎یابی یا پلی‌مورفیسم؟! ۱۰۹

تأثیر توالی‌یابی‌های ناهم‌شکل ۱۰۹

ترسیم گراف دی‌بروین از یک توالی کوتاه ۱۱۰

گراف ‌دی‌بروین برای داده‌های ترنسکریپتوم یا کتابخانۀ RNA-Seq ۱۱۱

گراف دی‌بروین برای ژن‎هایی با پیرایش متناوب ۱۱۳

گراف دی‌بروین برای ژنوم‌هایی با میزان پلی‌مورفیسم بالا ۱۱۴

گراف دی‌بروین برای خوانش‎هایی با طول بلند ۱۱۵

گراف دی‎بروین برای مطالعات متاژنومیکس ۱۱۶

فصل چهارم: توصیف قالب‎های پرکاربرد داده‎ها و ساخت آن‎ها ۱۱۹

مقدمه ۱۱۹

قالب GFF ۱۱۹

ایجاد فایل GFF۳ ۱۲۰

اجرای برنامۀ Gmap ۱۲۰

مراحل اجرای برنامۀ Gmap ۱۲۲

اجرای برنامۀ spaln ۱۲۳

فیلتر و مرتّب ‎کردن نتایج هم‌ردیفی بین ژن‎ها و ژنوم ۱۲۵

هم‌ردیفی محلّی و نیمه‌کلی ۱۲۶

بهره ‎برداری از فایل GFF۳ با استفاده از برنامۀ BEDTools ۱۲۶

استخراج ویژگی‎های ژنومی با استفاده از ابزار GAD ۱۲۷

قالب BED ۱۳۱

قالب BedGraph ۱۳۲

مراحل ساخت فایل Bedgraph ۱۳۳

اجرای برنامۀ SAMtools ۱۳۷

حذف خوانش‎های هم‌ردیف شده در چند مکان ژنوم ۱۳۸

نشان‎گذاری و حذف خوانش‎های که در دو مکان هم‌ردیف شده ‎اند ۱۳۹

قالب BAM ۱۳۹

قالب VCF ۱۴۰

قالب Sequence Read Archive (SRA) ۱۴۳

دانلود داده از پایگاه SRA ۱۴۴

قالب FASTQ ۱۴۶

دست‌کاری و استخراج اطلاعات از فایل‎های fa  و fq با استفاده از برنامۀ SeqKit ۱۴۷

ارائه شاخص‎های آماری یک فایل fa (stats) ۱۴۸

تبدیل فایل fq به fa (fq۲fa) ۱۴۸

تبدیل FASTA/Q در قالب جدول و ارائه اطلاعات لازم (fx۲tab) ۱۴۸

حذف توالی‎های تکراری دارای ID/name/sequence یکسان (rmdup) ۱۴۹

شناسایی توالی‎های مشترک بین چند فایل (common) ۱۵۰

تقسیم یک فایل بزرگ به فایل‎های کوچک‌تر (split۲) ۱۵۱

تبدیل یک فایل دارای چندتوالی در قالب FASTA به فایل‎های مجزا ۱۵۳

مرتّب‎سازی توالی‎های یک فایل بر‌اساس شاخصه‎های مختلف (sort) ۱۵۳

فصل پنجم: همردیفی، مبانی و ابزارها ۱۵۵

مقدمه ۱۵۵

اهداف عملکردی و تکاملی هم‌ردیفی ژن‎ها ۱۵۶

درج ۱۵۶

حذف ۱۵۷

جانشینی ۱۵۷

واژگان استفاده‌شده در هم‌ردیفی ۱۵۷

انواع هم‌ردیفی ۱۵۷

از نظر هم‌ردیفی ۱۵۸

الف- هم‌ردیفی کلی ۱۵۸

ب) هم‌ردیفی موضعی ۱۵۸

از نظر تعداد توالی هم‌ردیفی‎شده ۱۵۹

الف- هم‌ردیفی جفتی ۱۵۹

ب- هم‌ردیفی چندگانه ۱۵۹

هم‌ردیفی مبتنی بر ماتریس امتیازدهی ۱۵۹

اصول امتیاز‌دهی در هم‌ردیفی جفتی توالی‌ها ۱۵۹

مدل‌های و ابزار‌های استفاده‌شده در هم‌ردیفی پروتئین‌ها ۱۶۳

الف- حفظ شدن ۱۶۴

ب- فراوانی ۱۶۴

ج- تکامل ۱۶۴

شناسایی طول کامل کانتیگ‎ها با استفاده از داده‎های ترنسکریپتوم یک یا چند پروژه ۱۷۲

اجرای برنامۀ BLAST ۱۷۳

شناسایی عملکرد کانتیگ‎ها ۱۷۷

اجرای پروژۀ شناسایی توالی‎های تقاضای منحصر به یک گونه ۱۷۷

فصل ششم: راهبردهای سرهمکردن ترنسکریپتوم و ابزارهای آن‎ها ۱۸۱

مقدمه ۱۸۱

راهبرد برپایه ژنوم مرجع (رفرنس) ۱۸۱

راهبرد سرهم‌کردن de novo ۱۸۴

مرور اجمالی سرهم‎کردن ترنسکریپتوم بر‌اساس ژنوم مرجع ۱۸۴

دست‌آوردها و مزایای روش de novo ۱۸۴

سرهم کردن de novo در عمل ۱۸۵

معایب و مشکلات سرهم ‎کردن de novo ۱۸۶

سرهم ‎کردن ترنسکریپتوم به صورت ترکیبی با ژنوم مرجع ۱۸۸

برنامۀ Trinity ۱۹۲

خروجی Trinity ۱۹۸

سرهم ‎کردن de novo با استفاده از برنامۀ Trinity ۱۹۹

سرهم‌کردن خوانش‌های دوطرفه ۱۹۹

سرهم ‎کردن خوانش‎های یک‎طرفه ۲۰۰

سرهم‌کردن خوانش‎های هیبرید ۲۰۰

سرهم‌کردن خوانش‎های هم‌ردیف‎شده روی ژنوم ۲۰۲

سرهم‌کردن خوانش‎های حاصل از روش توالی‎یابی ویژه رشته ۲۰۲

مثال نتایج سرهم‌کردن توالی‎یابی ترنسکریپتوم گیاه گلپر با نرم‎افزار Trinity ۲۰۳

شناسایی نواحی رمزکننده در توالی‎های سرهم ‎شده ۲۰۷

شناسایی بلندترین ORF ۲۰۷

شناسایی ORFها بر‌اساس فایل GTF ژنوم ۲۰۸

فایل‎های نتایج ۲۰۹

سرهم کردن با استفاده از ژنوم مرجع ۲۱۰

نمایه سازی؛ الگوریتم‎های هم‌ردیفی توالی‎ها در NGS ۲۱۰

هم‌ردیفی توالی‎ها با استفاده از جدول hash ۲۱۰

هم‌ردیفی توالی‎ها با استفاده از روش درخت پسوند ۲۱۴

جست‎جوی توالی در ژنوم مرجع با استفاده از الگوریتم BWT ۲۱۶

ابزارهای سرهم‌کردن با استفاده از ژنوم مرجع (رفرنس) ۲۱۷

اجرای برنامۀ STAR ۲۱۷

خوشه بندی، دوخت و امتیازدهی ۲۱۹

ساخت فایل ایندکس ژنوم مرجع ۲۲۰

اجرای هم‌ردیفی خوانش‌ها با ژنوم مرجع ۲۲۲

اجرای برنامۀ HISAT۲ ۲۲۴

ساخت فایل ایندکس ژنوم ۲۲۴

هم‌ردیفی خوانش‎ها روی ژنوم ۲۲۵

اجرای برنامۀ subread در دو محیط پایتون و R ۲۲۶

شناسایی اتصالات اگزون-اگزون ۲۲۹

اجرای برنامۀ subread در محیط R ۲۲۹

هم‌ردیفی توالی خوانش‎های کنترل کیفیّت شده روی ژنوم ۲۳۰

اجرای برنامۀ subread در محیط پایتون ۲۳۱

هم‌ردیفی خوانش‎های DNA روی ژنوم در محیط R ۲۳۱

شناسایی SNPها با استفاده از برنامۀ  exactSNPاز بستۀ subread در محیط R ۲۳۲

شناسایی SNPها در محیط پایتون ۲۳۲

اجرای هم‌ردیفی ژنوم با استفاده از برنامۀ subjunc در محیط R ۲۳۲

اجرای هم‌ردیفی ژنوم با استفاده از برنامۀ subjunc در محیط پایتون ۲۳۳

هم‌ردیفی خوانش‎های بلند روی ژنوم با استفاده از برنامی sublong در محیط R ۲۳۳

هم‌ردیفی خوانش‎های بلند روی ژنوم با استفاده از برنامۀ sublong در محیط پایتون ۲۳۴

هم‌ردیفی microRNAs روی ژنوم ۲۳۴

فصل هفتم: بررسی بیان افتراقی ژن‎ها ۲۳۷

مقدمه ۲۳۷

کمّی‎سنجی نتایج هم‌ردیفی خوانش‎ها روی ژنوم مرجع ۲۳۸

اجرای برنامۀ cufflinks ۲۳۸

اجرای برنامۀ StringTie۲ ۲۳۹

کمّی‎سنجی با استفاده از ماژول featureCounts بستۀ subread در محیط R ۲۴۰

کمّی‎سنجی مکان-ژنومی با استفاده از فایلGTF ۲۴۰

کمّی‎سنجی در محیط پایتون ۲۴۰

کمّی‎سنجی نتایج هم‌ردیفی خوانش‎ها روی توالی‎های مرجع ترنسکریپتوم ۲۴۳

اجرای برنامۀ BOWTIE۲ ۲۴۳

ساخت فایل ایندکس مرجع ترنسکریپتوم ۲۴۴

هم‌ردیفی خوانش‎ها ۲۴۴

اجرای برنامه های bowtie و bowtie۲ در محیط R ۲۴۶

اجرای برنامۀ bowtie۲ ۲۴۷

اجرای برنامۀ bowtie ۲۴۷

کمّی سنجی ژن‎ها با استفاده از برنامۀ salmon ۲۴۸

نرمال سازی داده‌های بیانی ۲۴۸

نرمال سازی درون‌نمونه‌ای ۲۴۹

مثال محاسبات RPKM ۲۵۱

مثال محاسبات TPM ۲۵۲

روش‎های نرمال سازی بین نمونه‎ای ۲۵۳

نرمال سازی بر‌اساس چندک بالایی ۲۵۵

روش نرمال سازی TMM ۲۵۶

روش نرمال سازی RLE ۲۵۸

مراحل روش نرمال سازی RLE ۲۵۸

انجام محاسبات روش نرمال سازی TMM ۲۵۹

محاسبۀ آمارۀ M-value ۲۶۱

محاسبۀ آمارۀ A ۲۶۲

محاسبۀ چندک سی‎ام یا دهک سوم M-valueها ۲۶۴

انجام محاسبات روش نرمال سازی RLE ۲۶۶

محاسبۀ TPM و RPKM در محیط R ۲۷۰

حذف آثار ناخواستۀ دسته ‎ای ۲۷۱

اجرای بستۀ sva ۲۷۳

فراخوان بستۀ sva و داده‎های بیانی به‎منظور حذف آثار دسته ای ۲۷۳

نمایش داده در فضای دو بعدی با استفاده از برنامۀ Rtsne ۲۷۴

مراحل کار در الگوریتم t-SNE ۲۷۵

اجرای برنامۀ Rtsne ۲۷۹

اجرای برنامۀ ComBat_seq در بستۀ SVA ۲۸۰

تجزیه بیان افتراقی ژن‎ها ۲۸۲

مدل‎های آماری تجزیه داده های بیان ژن‎ها ۲۸۳

مدل‎سازی داده های کانت ۲۸۴

ترسیم نمودار پراکنش میانگین داده ‎ها در مقابل واریانس آن‎ها ۲۸۵

اجرای برنامه های edgeR و DESeq۲ ۲۸۷

اجرای بستۀ edgeR ۲۸۹

محاسبۀ مقادیر تعدیلشدۀ p-value ۲۹۳

بررسی بیان افتراقی ژن‎ها ۲۹۶

اجرای برنامۀ DESEq۲ ۲۹۹

تجزیه بیان افتراقی ژن‎ها ۳۰۳

ترسیم نمودار بیان افتراقی ژن‎ها ۳۰۳

تبدیل داده ها برای نمایش پراکنش آن‎ها ۳۰۷

روش تثبیت واریانس ۳۰۷

روشrlog ۳۰۹

روش لگاریتمی  log(x+۱) ۳۰۹

تجزیه افتراقی بیان ژنها با استفاده از رویکرد ناپارامتریک ۳۱۱

بستۀ NOISeq ۳۱۱

برنامۀ NOISeq-real با استفاده از تکرار ۳۱۳

برنامۀ NOISeq-si بدون تکرار ۳۱۳

برنامۀ  NOISeqBIO ۳۱۴

اجرای بستۀ NOISeq ۳۱۶

نرمال‎سازی داده‎های بیانی ۳۱۹

فیلتر داده‎ها ۳۱۹

اجرای برنامۀ noiseq برای تجزیه داده‎های بیان بدون تکرار ۳۲۴

استخراج نتایج برنامۀ noiseqbio ۳۲۵

استخراج و ذخیرۀ نتایج ۳۲۵

فصل هشتم: شناسایی پیرایش‎های متناوب و circRNAها ۳۲۷

مقدمه ۳۲۷

انواع پیرایش متناوب ۳۲۸

اجرای برنامۀ rMATS ۳۲۸

RNAهای حلقوی ۳۳۴

بیوژنز circRNAها ۳۳۵

خصوصیات circRNAها ۳۳۷

عملکردهای بیولوژیک circRNAها ۳۳۸

circRNAها در پاسخ به تنش‎های زیستی و غیر زیستی در گیاهان ۳۴۲

کشف و بررسی نمایه بیان circRNAها ۳۴۳

تنوع circRNA ۳۴۴

نمایه سراسر ژنومی circRNAها ۳۴۵

ساخت کتابخانۀ ترنسکریپتوم حاوی circRNA ۳۴۵

پایگاه های دادۀ circRNA ۳۴۷

الگوریتم ‎های محاسباتی برای شناسایی circRNAها ۳۴۹

شناسایی نواحی پردازش برگشتی ۳۴۹

شناسایی circRNAها با استفاده از برنامۀ CIRI۲ ۳۵۳

تشخیص BSJ با استفاده از روش آماری حداکثر درستنمایی (MLE) ۳۵۴

اجرای برنامۀ CIRI۲ ۳۵۴

ماژول RO۱ ۳۵۵

اجرای ماژول RO۱ ۳۵۶

ماژول RO۲ ۳۵۶

ماژول Merge ۳۵۷

شناسایی circRNAها با استفاده از برنامۀ CIRCexplorer۲ ۳۶۱

اجرای برنامۀ CIRCexplorer۲ ۳۶۱

شناسایی پردازش‎های برگشتی متناوب ۳۶۸

شناسایی رویدادهای پردازش متناوب درون circRNAها ۳۶۹

کمّی سنجی و بررسی بیان افتراقی circRNAها با استفاده از ابزار CIRIquant ۳۷۰

اجرای برنامۀ CIRIquant ۳۷۱

محاسبۀ DE و DS ۳۷۴

مراحل انجام بررسی بیان افتراقی ژن‎ها با وجود تکرارهای بیولوژیک ۳۷۵

گام اول: تهیه فایل‎های ورودی لازم برای بررسی بیان ۳۷۵

گام دوم: تهیه فایل داده های بیان ژن‎های حاصل از برنامۀ StringTie۲ ۳۷۶

کمّی‎سنجی و بررسی بیان circRNAها به ‎صورت گام‎ به گام و دستی ۳۷۹

مراحل انجام کار به‎صورت گام‎به‎گام ۳۸۰

تأئید و تفسیر نتایج شناسایی و بررسی بیان افتراقی circRNAها ۳۸۴

فصل نهم: شناسایی و بررسی بیان میکروRNAها ۳۸۷

مقدمه ۳۸۷

جایگاه ژنومی میکروRNAها و نقش آن‎ها ۳۸۸

شناسایی میکروRNA با استفاده از روش‌های محاسباتی ۳۹۰

توالی‎یابی نسل جدید روشی مناسب و جامع برای شناسایی و کمّی سنجی میکروRNA ۳۹۳

نام‎گذاری میکروRNA ۳۹۴

اجرای برنامۀ miRDeep۲ به منظور شناسایی میکروRNAها ۳۹۵

کمّی‎سنجی میکروRNA‎های بالغ ۴۰۰

اجرای برنامۀ quantifier.pl ۴۰۱

شناسایی میکروRNAهای جدید ۴۰۲

فصل دهم: ترسیم شبکه های هم بیان ۴۰۵

مقدمه ۴۰۵

انواع شبکه های بیولوژیک ۴۰۶

مراحل ساخت شبکۀ هم‌بیان ۴۰۹

پیش‌پردازش داده‎ها ۴۰۹

ساخت شبکۀ هم ‎بیان وزن‎دار ۴۱۰

روش گام‌به‌گام ۴۱۰

شناسایی ماژول ۴۱۸

محاسبۀ ماتریس TOM ۴۱۸

ترسیم دندروگرام بر‌اساس مقادیر عدم تشابه TOM ۴۲۰

خوشه ‎بندی و روش‎های آن ۴۲۰

شناسایی ماژول با تخصیص ژن‎ها به آن‎ها ۴۲۳

تلفیق ماژول های بسیار مشابه ۴۲۴

تجزیه مقادیر منفرد ۴۲۵

مراحل انجام تجزیه به مؤلفه ‎های اصلی (PCA) و محاسبۀ بردارهای ویژه و مقادیر ویژه ۴۲۸

مقادیر ویژه ماتریس ۴۳۱

محاسبۀ مقادیر مؤلفۀ اصلی برای ژن‎ها ۴۳۲

ارتباط بین ماژول‎ها و صفات ۴۳۴

ساخت شبکه به صورت اتوماتیک با استفاده از عملگر بلوک ۴۳۴

انتخاب ژن و ماژول ۴۳۴

مطالعۀ ویژگی‎های توپولوژیک شبکه ۴۳۵

تمرکز شبکه ۴۴۰

قابلیت تصویر‎سازی ۴۴۱

مرتبط‎ سازی با سایر نرم‎افزار‎ها ۴۴۱

اجرای بستۀ WGCNA برای ترسیم شبکه های هم‎بیان ۴۴۲

تعیین رنگ برای هر‌یک از ماژول‎ها ۴۵۲

تلفیق ماژول‎ها ۴۵۵

استخراج نتایج در قالب برنامۀ cytoscape ۴۵۸

تصویرسازی نتایج با استفاده از برنامۀ WGCNA ۴۵۹

شناسایی بلوک ماژولی برای شبکه های ‎بزرگ ۴۶۲

ترسیم و تجزیۀ ماژول‎ها در برنامۀ Cytoscape ۴۶۳

تصویر‎سازی شبکۀ ترسیم شده با استفاده از بستۀ WGCNA ۴۶۴

تجزیه شبکه ۴۶۶

۱- روش‎های محلّی ۴۶۷

۲- روش‎های کلی ۴۶۸

تعیین عملکرد ژن‌های درون ماژول‌های مرتبط با متابولیت ثانویه زعفران ۴۷۱

شناسایی و تصویر‎سازی ماژول‎ها ۴۷۲

شناسایی ماژول‎های اختصاصی و حفظ‎شده ۴۷۳

آماره‎های حفظ‎شدگی ماژول برای شبکه ‎های عمومی ۴۷۴

آماره‎های ‎حفظ‎شدگی ماژول برای شبکه های همبستگی ۴۷۶

آمارۀ Zsummary حفظ‎ شدگی ماژول مرکب ۴۷۸

ارزیابی معنی‎داری آماره های حفظ‎ شدگی ماژول با استفاده از آزمون جایگشت ۴۸۰

شناسایی ماژول‎های حفظ‎ شده با استفاده از تابع modulePreservation در بستۀ WGCNA ۴۸۲

اجرای برنامۀ modulePreservation در بستۀ WGCNA ۴۸۵

شناسایی ماژول‎های حفظ‎ شده با استفاده از رویکرد جایگشت مقیاس پذیر ۴۹۱

آماره‎های حفظ‎شدگی ماژول‎ها ۴۹۴

داده های پراکنده ۴۹۸

آزمون فرض ۴۹۹

برآورد p-value به‎وسیلۀ آزمون جایگشت ۵۰۰

مراحل انجام کار در برنامۀ NetRep ۵۰۴

اجرای برنامۀ NetRep در محیط R ۵۰۶

ساخت ماتریس همبستگی داده های بیانی نمونه های گلدار ۵۰۶

ساخت ماتریس همبستگی داده های بیانی نمونه های بدونگل ۵۰۸

بررسی نتایج ۵۱۱

محاسبۀ خصوصیات ماژول در یک شبکه ۵۱۸

شناسایی هابژن‌های مرتبط با گل‌دهی زعفران ۵۲۰

اعتبارسنجی نتایج با استفاده از بررسی بیان افتراقی ژن‌های هاب مرتبط با گل‌دهی ۵۲۱

فصل یازدهم: توالی یابی و راهبردهای سرهم‎کردن ژنوم ها ۵۲۳

مقدمه ۵۲۳

توالی ‎یابی ژنوم و پیچیدگی آن ۵۲۴

کاربردهای توالی یابی ژنوم‎ها ۵۲۶

توالی یابی خوانش کوتاه و مشکلات سرهم‎کردن ژنوم ۵۲۶

فنّاوری‎های توالی یابی با طول بلند ۵۲۷

توالی یابی به روش SMRT ۵۲۸

فنّاوری ONT ۵۳۱

خوانش‎ های طولانی پیوسته PacBio ۵۳۳

خوانش‎ های بلند و بسیار بلند ONT ۵۳۵

فنّاوری توالی یابی TSLR ۵۳۷

مراحل انجام فنّاوری توالی یابی TSLR ۵۳۷

ویژگی‎های ژنومی یوکاریوت‎ها و توالی ‎یابی آن‎ها ۵۴۰

برآورد اندازۀ ژنوم با استفاده از نمودار توزیع K-mer ۵۴۱

اجرای برنامۀ jellyfish ۵۴۲

ترسیم نمودار‎ها در محیط R ۵۴۴

محاسبۀ تعداد کل K-merها ۵۴۴

طراحی بهترین نقشه به منظور توالی یابی ژنوم ۵۵۰

استخراج DNA با کیفیّت ۵۵۱

میزان پوشش و سایر آماره‎های مرتبط با توالی ‎یابی ژنومی ۵۵۲

پوشش و مرجع آن ۵۵۳

سیستم کامپیوتری لازم و چگونگی سرهم‎کردن خوانش‎های ژنومی ۵۵۷

تصحیح خطاها در قطعات سرهم ‎شده با استفاده از خوانش‎های SGS ۵۵۹

برنامه ‎های سرهم‎کردن توالی ‎های ژنوم ۵۶۱

برنامۀ HASLR ۵۶۱

اجرای برنامۀ HASLR ۵۶۲

سرهم‎ کردن توالی‎ های حاصل از فنّاوری نسل سوم توالی‎یابی با استفاده از برنامۀ canu ۵۶۳

گزینه‌های لازم برای همۀ مراحل ۵۶۶

گزینه های لازم برای مرحلۀ تصحیح ۵۶۷

گزینه های لازم برای مرحلۀ سرهم‎کردن ۵۶۷

گزینه های لازم برای سرهم‎کردن ژنوم‎های پلی‎پلوئیدی ۵۶۸

گزینه های لازم در سرهم‎کردن داده‎های متاژنوم ۵۶۸

گزینه های لازم برای داده‎هایی با پوشش کم ۵۶۹

گزینه های لازم برای داده‎هایی با پوشش بالا ۵۶۹

ژنوم های دارای درصد AT/GC بالا ۵۶۹

داده ‎هایی با همسانی کمتر از ۸۰ درصد ۵۷۰

بررسی کیفیّت و کمیّت ژنوم سرهم شده قبل از مستندسازی ۵۷۴

ساخت ژنوم کامل با استفاده از خوانش‎های حاصل از روش Hi-C ۵۷۵

فازبندی هاپلوتیپ‎ها و سرهم‎کردن ژنوم ۵۷۷

راهبردهای مبتنی ‎بر هم‌ردیفی با ژنوم مرجع ۵۷۸

فازبندی در ژنوم‎های دیپلوئیدی ۵۷۸

فازبندی در ژنوم‎های پلی‎پلوئید ۵۸۱

راهبردهای مبتنی‎ بر سرهم‎کردن de novo ژنوم ۵۸۳

ژنوم های دیپلوئید ۵۸۴

ژنوم ‎های پلی‎پلوئید ۵۸۶

نواحی تکراری در ژنوم‎ها و راهبردهای سرهم کردن و فازبندی آن‎ها ۵۸۷

سرهم کردن کانتیگ‎های مربوط به ژنوم‎های پلی‎پلوئیدی با استفاده از برنامۀ ALLHIC ۵۹۲

مراحل اجرای برنامۀ ALLHiC به‎صورت گام‎به‎گام ۵۹۵

کنترل کیفیت خوانش‎ های هم‌ردیف شده ۵۹۶

سرهم کردن ژنوم بر‌اساس فازبندی‎ هاپلوتیپ‎ها با استفاده از برنامۀ GreenHill ۶۰۸

خوانش‎های ورودی ۶۱۱

ادغام هاپلوتیپ‎ها ۶۱۲

نقشه‎یابی خوانش‎ها ۶۱۴

ساخت داربست‎های توافقی به‎وسیلۀ خوانش‎های بلند ۶۱۴

شناسایی یال‎های اشتباه به وسیلۀ خوانش‎های Hi-C ۶۱۴

مرحلۀ فازبندی ۶۱۷

اجرای برنامه GreenHill ۶۱۹

تهیۀ نقشه‎های نوری (اپتیکی) بیونانو ۶۲۱

الکتروفورز و خطی ‎کردن DNA ۶۲۳

سرهمکردن de novo نقشۀ ژنوم ۶۲۴

سرهم‎کردن ژنوم‎های کوچک ۶۲۵

سرهم‎کردن ژنوم اندامک ‎ها ۶۲۶

برنامۀ NOVOPlasty ۶۲۶

اجرای برنامۀ NOVOPlasty ۶۲۷

تهیۀ فایل تنظیمات (کانفیگ) ۶۲۸

اجرای برنامۀ NOVOPlasty ۶۳۰

سرهم کردن خوانش‎های بلند سینتتیک حاصل از فنّاوری TSLR ۶۳۴

تصحیح کروموزوم باکتری سرهم‎شده با استفاده از برنامۀ Pilon (genome.fasta) ۶۳۸

فصل دوازدهم: شناسایی محل اتصال پروتئین‎ها در ژنوم (ChIP-Seq) ۶۴۱

مقدمه ۶۴۱

مراحل اجرای روش  ChIP-Seq ۶۴۲

هم‌ردیفی با ژنوم ۶۴۴

مشخص کردن نقاط غنی ۶۴۵

تجزیه‌وتحلیل‌های پایین‎دست ۶۴۶

اجرای برنامۀ MACS ۶۴۸

اجرای برنامۀ MACS برای شناسایی مکان اتصال عوامل رونویسی ۶۵۳

اجرای برنامۀ IDR  از بسته نرم ‎افزاری phantompeakqualtools برای بررسی تکرار‎های مختلف ۶۵۷

اجرای برنامۀ PePr برای داده‎های تکراردار ۶۵۹

ارتباط بین پیک‎ها و ژن‎ها ۶۶۲

شناسایی نزدیک‎ترین ژن‎ها به پیک‎ها در ژنوم با استفاده از برنامۀ bedtools closest ۶۶۳

اجرای برنامۀ bedtools groupby ۶۶۵

نمایش بهتر فایل BAM با استفاده از تبدیل آن به قالب bigwig ۶۶۶

روش مستندسازی پیک‎ها با اجرای برنامۀ HOMMER ۶۶۸

مستندسازی پیشرفته ۶۷۵

ترسیم لوگوی موتیف‎ها برای پیک‎های شناسایی‎شده ۶۷۶

فصل سیزدهم: اپیژنومیک (متیل سیکونسینگ) ۶۷۹

مقدمه ۶۷۹

متیلاسیون DNA ۶۸۰

جزایر CpG در ژنوم موجودات ۶۸۱

نقش متیلاسیون DNA در سرکوب رونویسی ژن‎ها ۶۸۱

روش توالی‎یابی متیل برای شناسایی تغییرات اپی‌ژنتیکی از نوع متیلاسیون ۶۸۳

هم‌ردیفی و پردازش اطلاعات ۶۸۵

اجرای برنامۀ Bismark ۶۸۶

مراحل اجرای برنامۀ bismark ۶۸۷

خلاصه گزارش نتایج برنامۀ Bismark ۶۹۱

مرحلۀ نهایی اجرای برنامۀ Bismark ۶۹۲

گزارش پوشش نوکلئوتیدی به‎وسیلۀ برنامۀ Bismark ۶۹۳

فیلتر کردن خوانش ‎های تیمار‌نشده با بی‎سولفیت ۶۹۴

فصل چهاردهم: سینتنی، مبانی و ابزارها ۶۹۷

مقدمه ۶۹۷

سینتنی و تکامل ۶۹۸

واژگان ۶۹۸

ژن های همولوگ ۷۰۰

ژن های اورتولوگ ۷۰۰

ژن های پارالوگ ۷۰۰

روش‌ها و ابزارهای تشخیص سینتنی ۷۰۲

کاربردهای سینتنی ۷۰۲

انواع سینتنی ۷۰۳

اجرای برنامۀ MCScanX ۷۰۴

شیوۀ عمل الگوریتم MCScanX ۷۰۴

شمارش تعداد ژن ها در هر یک میلیون جفتباز در فایل ۱۰oryza.bed ۷۱۱

نمایش جایگاه کروموزومی ژن‎های مطالعه‌شده ۷۱۳

اجرای برنامۀ  DensityMap ۷۱۴

فصل پانزدهم: فراخوانی SNPها ۷۲۱

مقدمه ۷۲۱

توالی‎یابی ژنوم ۷۲۱

مراحل انجام GBS ۷۲۴

مراحل عملی انجام GWAS ۷۲۶

فراخوانی SNPها ۷۲۶

اجرای بستۀ stacks ۷۲۷

اجرای پایپ لاین‎ها ۷۳۴

برنامۀ ipyrad ۷۳۵

اجرای برنامۀ ipyrad ۷۳۸

فراخوانی SNPها با استفاده از برنامۀ GATK ۷۴۱

کیفیّت نقشه یابی ۷۴۲

واریانت‎ها در خوانش‎های تکراری ۷۴۳

مراحل شناسایی SNPها ۷۴۴

فیلتر SNPها ۷۵۳

فیلتر بر‌اساس داده ‎های گم‌شده ۷۵۸

برآورد ژنوتیپ داده‌های گم‌شده ۷۵۸

فصل شانزدهم: پویش گستردۀ ارتباطات ژنومی (GWAS) ۷۵۹

مقدمه ۷۵۹

انتخاب به کمک نشانگر (MAS) ۷۶۰

آشنایی با مفهوم عدم تعادل لینکاژی ۷۶۲

عوامل مؤثر بر LD ۷۶۵

نقشه‎یابی ارتباطی ۷۶۷

مدل های آماری نقشه یابی ارتباطی ۷۶۷

مدل خطی ۷۶۷

مدل مخلوط چندلوکوسی ۷۶۸

ساختار جمعیت ۷۶۸

روابط خویشاوندی ۷۷۳

نقشه ‎یابی ارتباطی ۷۷۴

مقایسه کلی مدل‎ها ۷۷۴

محاسبۀ ساختار ژنتیکی جمعیت‌ها ۷۷۵

برنامۀ Structure ۷۷۶

تهیه فایل داده‌ها برای نشانگرهای SNPs ۷۷۶

اجرای برنامۀ Structure در محیط ویندوز ۷۷۷

اجرای برنامۀ structure در محیط پایتون ۷۸۵

نتایج ۷۸۷

تجزیه ساختار جمعیت با استفاده از بستۀ LEA ۷۹۰

مراحل انجام کار ۷۹۰

تجزیۀ GWAS ۷۹۳

داده‎های ورودی ۷۹۳

تهیه داده های فنوتیپ ۷۹۴

تهیه داده‎ های ژنوتیپی ۷۹۴

قالب عددی ۷۹۵

تهیه قالب خویشاوندی ۷۹۶

تهیه قالب ماتریس متغیرهای کمکی ۷۹۷

اجرای برنامۀ GAPIT به منظور انجام GWAS ۷۹۸

اجرای بستۀ rMVP برای تجزیه GWAS ۸۰۰

ارائه نتایج GWAS ۸۰۲

نمودارQQ ۸۰۲

نمودار منهتن ۸۰۳

رویکرد GWAS مبتنی ‎بر k-mer ۸۰۹

مبانی GWAS مبتنی ‎بر  k-mer ۸۱۱

انواع k-merها و شمارش فراوانی آن‎ها ۸۱۳

روش‎های استفاده‌شده در GWAS مبتنی ‎بر k-mer ۸۱۵

اجرای برنامۀ KmerGWAS ۸۲۳

ساخت ماتریس خویشاوندی ۸۳۰

انجام محاسبات با یک مثال عملی ۸۳۶

رگرسیون جزیی: تعیین اثر هر متغیر ۸۵۱

اجرای برنامۀ kmers_gwas.py ۸۵۶

تجزیه بیشتر k-merهای مهم ۸۵۸

استخراج خوانش‎های حامل k-merهای مهم ۸۶۱

تجزیه GWAS با استفاده از برنامۀ rMVP بر‌اساس جدول k-merها ۸۶۴

محاسبۀ ساختار جمعیت ۸۶۶

فصل هفدهم: تجزیه تفرق توده (BSA) ۸۷۱

مقدمه ۸۷۱

تجزیه تفرق توده (BSA) ۸۷۲

اجرای بستۀ QTL-Seq ۸۷۳

مستندسازی واریانت‎های ژنتیکی ۸۷۸

اجرای برنامۀ SnpEff ۸۷۸

انتخاب ژن‎های خاص برای آنوتیشن ۸۸۲

فصل هیجدهم: متاژنومیکس ۸۸۵

مقدمه ۸۸۵

متاژنومیکس عملکردی ۸۸۶

متاژنومیکس مبتنی ‎بر توالی‎یابی ۸۸۹

شناسایی ژن‎های مفید با استفاده از متاژنومیک ۸۹۱

ارزیابی متاژنومی دریای سارگاسو ۸۹۳

اکولوژی و متاژنومیک ۸۹۴

شاتگان متاژنومیکس ۸۹۵

کنترل کیفیّت ۸۹۶

سرهم کردن خوانش‎ها ۸۹۶

سرهم کردن خوانش‎های خام با استفاده از برنامۀ metaSPAdes ۸۹۷

سرهم کردن خوانش‎های خام به‎وسیلۀ برنامۀ megahit ۸۹۹

به کارگیری ابزار خودکار MetaPlatanus در مطالعات متاژنوم ۹۰۰

اجرای برنامۀ MetaPlatanus ۹۰۲

کنترل کیفیت نتایج سرهم ‎شده ۹۰۳

استفاده از ابزار متاکواست ۹۰۵

تفکیک متاژنوم به اجزای تشکیل دهنده ۹۰۶

تعیین ارگانیزم های موجود در میکروبیوم ۹۰۸

پروفایلینگ تاکسونومی با متافلان ۹۰۸

تعیین ژن‎ها و عملکرد آن‎ها در متاژنوم ۹۰۹

استفاده از سرور ام جی رست ۹۱۰

بررسی تنوع جمعیت در دست مطالعه ۹۱۲

فصل نوزدهم: راهبردهای تلفیق داده‎های اُمیک و تجزیۀ eQTLs ۹۱۷

مقدمه ۹۱۷

مروری بر استراتژی‎های تلفیق و تجزیه‌وتحلیل داده های omics ۹۱۸

متاآنالیز ۹۲۰

تجزیه‌وتحلیل چندمرحله ای ۹۲۰

تحلیل متابعدی ۹۲۳

ملزومات تلفیق و تجزیه‌وتحلیل داده های omics ۹۲۶

تجزیه‌وتحلیل eQTL ۹۲۷

مراحل تجزیۀ eQTL ۹۲۹

مبانی آماری شناسایی eQTLs به وسیلۀ بستۀ Matrix eQTL ۹۲۹

رگرسیون خطی ساده ۹۳۰

مدل با متغیرهای کمکی ۹۳۴

نحوه برخورد با چندخطی ۹۳۶

مدل ANOVA ۹۳۷

هتروژنی خطاها یا ناهمگنی واریانس خطاهای معادلۀ رگرسیون ۹۳۸

نمودارهای Q-Q و هیستوگرام تمام مقادیر p ۹۳۹

نرخ کشف خطا (FDR) ۹۳۹

اجرای برنامۀ MatrixEQTL در محیط R ۹۴۰

فراخوانی برنامۀ  MatrixEQTL ۹۴۰

فراخوانی و تنظیم قالب داده ‎ها برای بستۀ MatrixEQTL ۹۴۲

تطبیق مدل های eQTL با MatrixEQTL ۹۴۳

تجزیه سیس و ترانس eQTL ۹۴۴

مشاهدۀ نتایج ۹۴۵

فصل بیستم: هوش مصنوعی: یادگیری ماشین در ژنومیک و ترانسکریپتومیک ۹۴۹

مقدمه ۹۴۹

مقدمه ای بر روش‎های یادگیری ماشین در علم ژنتیک ۹۵۰

کاربرد روش‎های یادگیری ماشین در حوزه‎های مختف زیست شناسی مولکولی ۹۵۳

انتخاب ژن ۹۵۴

مراحل انجام انتخاب ویژگی ۹۵۷

روش انتخاب رو به ‌جلو ۹۵۷

روش انتخاب رو به ‎عقب ۹۵۸

مقایسه دو روش انتخاب رو به ‌جلو و رو به ‎عقب ۹۵۹

انتخاب دومسیره (انتخاب گام‌به‌گام) ۹۶۰

راهبردهای جست‎وجو ۹۶۱

رویکردهای انتخاب ویژگی ۹۶۲

الف) رویکرد انتخاب ویژگی Filter ۹۶۲

ب) رویکرد انتخاب ویژگی Wrapper ۹۶۳

ج) رویکرد انتخاب ویژگی Embedded ۹۶۵

د) رویکرد انتخاب ویژگی ترکیبی ۹۶۶

ه) رویکرد انتخاب ویژگی گروهی ۹۶۶

روش Bagging ۹۶۸

روشPasting ۹۶۸

روش Boosting ۹۶۸

تفاوت‌های کلیدی بین روش‌های ترکیبی و گروهی ۹۶۹

معیار توقف ۹۶۹

ارزیابی نتایج ۹۷۰

الف) ماتریس درهم ریختگی ۹۷۳

ب) اعتبارسنجی متقابل (w) ۹۷۴

ج) ویژگی های بهینه سازی گیرنده (ROC) ۹۷۵

برازش آماری ۹۷۷

راه‌کارهای مقابله با بیش برازش ۹۷۹

دلایل کم‎برازشی در مدل‌ها ۹۸۱

راه‌های مقابله با کم‎برازشی ۹۸۱

برازش خوب در یادگیری ماشین چیست؟ ۹۸۱

تشکیل مجموعۀ آموزش و آزمون ۹۸۲

مسئله تعداد ویژگی‌ها و تعداد نمونه‌ها ۹۸۴

ملاحظات عملی درباره مطالعات ترانسکریپتوم و ژنومیک ۹۸۵

تبیین مسئلۀ تعداد نمونه در مطالعات ژنتیکی ۹۸۶

راه‌کارهای کاهش اثر تعداد نمونه‌های کم ۹۸۸

به‎کارگیری توأم الگوریتم‎های طبقه ‎بندی کننده و انتخاب ویژگی ۹۸۹

انتخاب ژن تحت ‎نظارت ۹۹۱

مزیت‎ها ۹۹۲

انتخاب ژن بدون ‎نظارت ۹۹۶

انتخاب ژن نیمه‎ نظارت‎ شده ۹۹۷

الگوریتم‌های رویکرد یادگیری ماشین تحت‎ نظارت ۹۹۸

رگرسیون لجستیک ۱۰۰۰

رگرسیون لاسو ۱۰۰۲

مزایای رگرسیون لاسو ۱۰۰۴

واژه‌شناسی ۱۰۰۶

ساخت درخت ۱۰۰۶

تقسیم در داده‌های طبقه‌بندی ۱۰۰۷

بهرۀ اطلاعات ۱۰۰۸

فرآیند تقسیم در مدل‌های مبتنی بر رگرسیون ۱۰۰۹

تقسیم ویژگی‌های طبقه‌بندی ۱۰۱۱

تقسیم ویژگی‌های عددی ۱۰۱۲

ساخت درخت تصمیم برای مدل‌های رگرسیون ۱۰۱۵

الگوریتم جنگل تصادفی ۱۰۱۷

الگوریتم XGBoost ۱۰۲۳

شرایط استفاده مؤثر از الگوریتم XGBoost ۱۰۲۳

تقویت گرادیان برای متغیر هدف پیوسته (رگرسیونی) ۱۰۲۴

تقویت گرادیان برای متغیر هدف طبقه‎ای ۱۰۲۹

الگوریتم AdaBoost ۱۰۳۲

اجرای الگوریتم AdaBoost برای داده‌های طبقه‎ای ۱۰۳۳

اجرای الگوریتم AdaBoost برای داده‌های پیوسته (مدل رگرسیون) ۱۰۳۹

ساخت مجموعه دادۀ اصلاح‌شده ۱۰۴۲

ماشین بردار پشتیبان ۱۰۴۸

نحوۀ عملکرد SVM ۱۰۴۹

گاما پارامتر SVM gamma)) ۱۰۵۱

پارامتر (regularization) C ۱۰۵۳

انواع هسته‌های SVM ۱۰۵۵

هسته SVM چندجمله‌ای ۱۰۵۵

هسته تابع پایه شعاعی ۱۰۵۵

هستۀ تابع سیگموئیدی ۱۰۵۷

مزایا، معایب و شرایط استفاده از الگوریتم SVM ۱۰۵۷

شرایط استفادۀ مؤثر از SVM ۱۰۵۸

نزدیک‌ترین همسایه (KNN) ۱۰۵۹

مقایسه الگوریتم‌ها ۱۰۶۰

روش‎های یادگیری ماشین تحت ‎نظارت ۱۰۶۳

اجرای الگوریتم SVM-RFE در محیط R برای مجموعه دادۀ SNP با متغیر هدف پیوسته ۱۰۶۳

اجرای الگوریتم SVM-RFE در محیط R برای مجموعه دادۀ ترانسکریپتوم با متغیر هدف طبقه‌ای ۱۰۶۹

ساخت ماتریس درهم‌ریختگی ۱۰۷۱

محاسبۀ AUC برای مدل بالا ۱۰۷۳

اجرای الگوریتم XGBoost ۱۰۷۴

اجرای رگرسیون لاسو ۱۰۷۷

معیاره ‎های مختلف ارزیابی نتایج برای روش رگرسیونی در لاسو ۱۰۸۱

ارزیابی مدل‌ها روی داده‌های آزمون برای مدل دوجمله‌ای ۱۰۸۵

ارزیابی مدل‌ها روی داده‌های آزمون برای مدل پوآسن ۱۰۸۷

اندازه‌گیری کارآیی مدل ایجادشده ۱۰۸۷

اعتبار‌سنجی متقابل ۱۰۸۷

ساخت ماتریس درهم‌ریختگی و نمودار ROC برای داده‌های طبقه‌بندی ۱۰۸۸

منحنی‌های ROC برای داده‌های متغیر هدف دوجمله‌ای ۱۰۸۸

روش یادگیری ماشین بدون نظارت ۱۰۹۱

اجرای برنامۀ Omada ۱۰۹۱

انتخاب مناسب‌ترین رویکرد خوشه‌بندی بر‌اساس مجموعه داده ۱۰۹۵

استخراج نتایج ۱۰۹۶

انتخاب مناسب‌ترین ویژگی‌ها ۱۰۹۶

برآورد بهینه‌ترین تعداد خوشه‌ها ۱۰۹۷

اجرای خوشه‌بندی بهینه ۱۰۹۹

واژهنامه ۱۱۰۱

زبان‎های برنامه‎نویسی ۱۱۰۱

ابزارهای توالی‎یابی و شیمی آن ۱۱۰۳

تجزیه‌وتحلیل بیوانفورماتیک ۱۱۱۰

انواع فایل ۱۱۱۴

دستورات کاربردی قابل اجرا در ترمینال لینوکس ۱۱۱۸

مراحل نصب برنامه ‎های تجزیۀ داده ‎های NGS از مخزن conda ۱۱۲۴

مراحل نصب برنامه های تجزیۀ داده های NGS از مخازن Bioconductor و CRAN ۱۱۲۵

منابع ۱۱۲۷

نمایه ۱۱۳۵