Top

생물정보학 알고리듬 3/e

  • 원서명Bioinformatics Algorithms, 3rd edition: An Active Learning Approach(ISBN 9780990374633)
  • 지은이필립 콤포(Phillip Compeau), 파벨 페브즈너(Pavel Pevzner)
  • 옮긴이한헌종, 한주현
  • ISBN : 9791161756035
  • 60,000원
  • 2022년 02월 21일 펴냄
  • 페이퍼백 | 740쪽 | 188*235mm
  • 시리즈 : 데이터 과학

책 소개

2022년 대한민국학술원 우수학술도서 선정도서
요약

과학 기술의 발달로 인류는 유전체의 정보를 염기서열 단위까지 좁혀서 생명체의 비밀을 밝혀내고 있다. 생명체에서 나오고 있는 데이터는 인류 역사상 가장 큰 규모의 데이터 크기를 자랑하고 있으며, 점점 더 커지고 다양해지는 데이터에 걸맞춰 좀 더 향상된 성능의 분석 소프트웨어를 요구하고 있다. 생물정보학 알고리듬은 이런 고성능 소프트웨어의 기반이 되는 지식이다. 이 책은 자칫 어려워 보일 수 있는 알고리듬이 어떻게 생물학적 데이터에 적용되는지 우리에게 친숙한 이야기로 풀어서 설명한다. 생물정보학 알고리듬에 익숙하지 않은 독자들과 깊이 있는 학습을 원하는 모든 분들에게 추천한다.

추천의 글

"생물정보학의 생생하고 독특한 내용은 분자생물학의 풍부한 최신 사례로 알고리듬적 사고에 동기를 부여한다."
― 마이클 워터만/ 서던 캘리포니아 대학교 생물학, 수학, 컴퓨터 과학 교수

"생물정보학의 기초를 가르치는 신선하고 독창적인 접근법이다. 이 교과서는 실습 연습문제와 이해를 돕는 생물학적 이야기와 엄밀한 수학적 지식을 결합해 독자의 이해를 높인다."
― 론 샤미르/ 텔아비브 대학교 컴퓨터 과학부 생물정보학 새클러 의장

이 책에서 다루는 내용

저자들의 인기 온라인 강좌를 바탕으로 한 이 책은 생물정보학을 학습하는 학생들에게 역동적인 접근 방식을 제시한다. 현대 생물학의 실무적인 도전과 알고리듬의 근본적인 아이디어 사이의 독특한 균형으로 생물학과 컴퓨터 과학 학생들의 흥미를 사로잡는다. 각 장은 ‘인간 게놈에 취약한 부분이 있는가?’ 또는 ‘분자 시계의 역할을 하는 DNA 패턴은 무엇인가?’와 같은 중요한 생물학적 질문으로 시작해 이 질문에 답변하는 데 필요한 정교한 알고리듬을 꾸준하게 개발한다. 필요한 연습문제는 본문에서 제공하며 독자들은 자동화된 코딩 과제가 실려 있는 생물정보학 학습 온라인 플랫폼 Rosalind(http://rosalind.info)에서 지식을 테스트해볼 수 있다.

상세 이미지

저자/역자 소개

지은이의 말

2014년 초판 출간 이후 20개국 수십 개 대학교에서 채택된 이 책은 전산생물학 분야의 베스트셀러가 됐다. 이 책으로 전 세계 수천 명의 학습자가 이수한 생물정보학의 인기 있는 온라인 과정에도 도움이 된다는 점 또한 자랑스럽게 생각한다.
이 책의 웹사이트(http://bioinformaticsalgorithms.org)에서 강의 동영상, 파워포인트 슬라이드, FAQ 및 답변을 찾아볼 수 있다. 또한 능동적으로 자신의 속도에 맞게 교재의 내용과 상호 작용하면서 학습할 수 있도록 구성했다.

지은이 소개

필립 콤포(Phillip Compeau)

카네기 멜론 대학교 컴퓨터 공학부 컴퓨터 생물학과의 교육부장으로 온라인 교육의 미래와 오프라인 교육을 개선할 수 있는 방법에 관심이 많다. 2014년 캘리포니아 대학교 샌디에이고에서 수학 박사 학위를 받았으며 이후 컴퓨터 과학 및 공학부에서 박사후 연구원으로 재직했다. 2012년 니콜라이 뱌히(Nikolay Vyahhi)와 로잘린드(Rosalind)를 공동 설립했다. 은퇴한 테니스 선수로 언젠가 프로 골프 선수가 되는 꿈을 꾸고 있다.

파벨 페브즈너(Pavel Pevzner)

캘리포니아 대학교 샌디에이고 컴퓨터 공학과 교수인 로널드 테일러(Ronald R. Taylor)다. 러시아 모스크바 물리학 및 기술 연구소에서 박사 학위를 받았고 사이먼 프레이저 대학교에서 명예 학위를 받았다. 하워드 휴스 의학 연구소(Howard Hughes Medical Institute) 교수(2006), 컴퓨터 기계 협회(Association for Computing Machinery) 펠로우(2010), 국제 전산 생물학과 펠로우(International Society for Computational Biology Fellow)(2012)를 지냈다. 저서로 『Computational Molecular Biology』(Bradford Book, 2000), 『An Introduction to Bioinformatics Algorithms』(The MIT Press, 2004)(닐 존스(Neil Jones) 공저)가 있다

옮긴이의 말

사람의 유전체 서열은 어떻게 알아낸 걸까? DNA 서열들을 비교하려면 어떻게 해야 할까? 만약 돌연변이가 발생했다면 이를 어떻게 찾아낼 수 있을까? 바이러스의 감염 경로는 어떻게 알아내는 걸까? DNA부터 단백질까지, DNA 복제부터 진화까지, 이 책은 알고리듬이라는 것이 어떻게 생물학적 데이터를 만나 생명의 신비를 풀어가는지 차근차근 보여주고 있다. 각 장마다 서로 다른 생물정보학 분야의 내용으로 구성돼 있고, 가장 쉽고 단순한 예제부터 시작해서 점점 복잡한 알고리듬까지 나아간다. 또한 모든 부분에서 그림을 사용해 친절하게 설명해 주고 있기 때문에, 어렵게만 느껴지던 알고리듬에 친숙하게 다가갈 수 있게 만들어 준다.
만약 누군가 생물정보학을 공부하고자 한다면 이 책을 강력하게 추천할 정도로 이 분야의 교과서로 쓸 만하다는 생각이 들 정도로 이 책은 양질의 내용을 담고 있다. 생물정보학이 분야의 관련 도서가 많지 않으며 특히 국내 도서가 부족한 실정이기 때문에 이 책이 생물정보학을 공부하려는 사람들에게 조금이나마 도움이 되길 바란다. 부족한 번역이지만 책으로 독자들이 생물정보학과 알고리듬에 편안하게 다가갈 수 있기를 바란다.

대표역자 한헌종

2019년 전 세계를 휩쓴 COVID-19 대유행에 인류는 유래 없이 빠른 속도로 개발된 mRNA 기반 백신으로 바이러스를 정복하고 일상생활로 나아가고 있다. 전 인류가 힘을 모아 숨가쁘게 백신과 치료제를 개발하고 팬데믹 상황을 극복하는 기반에는 지금껏 쌓아 온 생물학과 생물정보학 지식이 있었다. 인간 유전체 프로젝트 이후로 인류는 생명체의 분자 생물학적 비밀을 염기서열 단위로 좁혀서 탐구하고 있다. 이러한 생물정보학 분석의 기초가 되는 것은 바로 알고리듬이다.
이 책은 각 장마다 재미난 그림과 줄거리를 생물정보학의 이야기로 풀어 나가며 독자를 사로잡는다. 이 책의 장점이라고 할 수 있는 것은 생물정보학 알고리듬이 의사 코드의 형태로 제공된다. 의사 코드를 보고 자신에게 익숙한 프로그래밍 언어로 학습한 내용을 구현하며 생물정보학 알고리듬을 학습할 수 있다. 또한 이 책의 가장 큰 장점이라고 할 수 있는 점은 웹사이트 rosalind.info 플랫폼에서 자신이 구현한 프로그램을 업로드하고 정답을 맞혀 순위를 매겨 마치 게임처럼 즐겁고 재밌게 프로그래밍 능력과 생물정보학 알고리듬 지식을 쌓을 수 있다. 생물정보학 실력을 키우고 싶은 독자들에게 강력히 추천한다.
이 책에 관심을 갖고 찾아준 독자분들께 감사의 말씀을 드리며 부디 이 책이 여러분들의 생물정보학 지식과 알고리듬적 사고 향상에 도움이 될 수 있기를 기원한다.

공동역자 한주현

옮긴이 소개

한헌종

생물정보학을 실생활에 적용해 다양한 문제를 해결하고자 하는 생물정보학자다.
2019년 연세대학교 생명공학과에서 박사학위를 받은 뒤 국립암센터를 거쳐 현재 쓰리빌리언에서 생물정보학 엔지니어로 근무하고 있다.
블로그(https://hhj6212.github.io/)를 통해 생물정보학에 관련된 다양한 정보를 공유하고 있다.

한주현

생물정보학자로 생물정보학으로 우리 사회의 문제를 해결하고자 하는 바람을 갖고 있다. 마크로젠을 거쳐 현재 쓰리빌리언에서 생물정보학 엔지니어로 근무하고 있다.
공역서로 『니콜라스 볼커 이야기』(MID, 2016), 『생명정보학 알고리즘』(에이콘출판, 2020)이 있으며 저서로는 『바이오파이썬으로 만나는 생물정보학』(비제이퍼블릭, 2019)이 있다.
생물정보학자의 블로그(https://korbillgates.tistory.com)를 운영하며 온라인 및 오프라인에서 생명정보학을 알리고자 노력 중이다.

목차

목차
  • 1장. DNA 복제는 유전체의 어디서부터 시작되는가?
    • 1,000마일의 여행
    • 복제 기점의 숨겨진 메시지
      • DnaA 상자
      • 황금벌레의 숨겨진 메시지
      • 단어 세기
      • 빈번한 단어 문제
      • Vibrio cholerae의 빈번한 단어
    • 더욱 놀라운 숨겨진 메시지
    • 숨겨진 메시지의 범람
      • 여러 유전체에서 숨겨진 메시지 찾기
      • 군집 찾기 문제
    • DNA를 복제하는 가장 간단한 방법
    • 복제의 비대칭성
    • 정방향 및 역방향 반가닥의 독특한 통계
      • 숨어 있는 생물학적 현상 또는 통계적 우연?
      • 탈아민화
      • 비대칭 다이어그램
    • 다른 메시지보다 이해하기 어려운 일부 숨겨진 메시지
    • 대장균에서 DnaA 상자를 찾는 마지막 시도
    • 에필로그: ori 예측의 복잡성
    • 열린 문제
      • 박테리아 유전체의 다중 복제 기점
      • 고세균에서 복제 기점 찾기
      • 효모에서 복제 기점 찾기
      • 문자열에서 패턴 확률 계산
    • 충전소
      • 빈도 배열
      • 패턴과 숫자를 서로 변환하기
      • 정렬을 사용해 빈번한 단어 찾기
      • 군집 찾기 문제 해결
      • 미스매치를 포함한 자주 나오는 단어 문제 해결
      • 문자열 이웃 생성
      • 정렬로 미스매치를 포함한 빈번한 단어 찾기
    • 돌아가기
      • Big - O 표기법
      • 문자열에서 패턴의 확률
      • 생물학에서 가장 아름다운 실험
      • DNA 가닥의 방향성
      • 하노이 타워
      • 겹치는 단어 역설
    • 참고 문헌

  • 2장. 분자 시계 역할을 하는 DNA 패턴은 무엇일까?
    • 우리는 시계 유전자를 갖고 있을까?
    • 생각보다 쉽지 않은 모티프 찾기
      • 저녁 요소 찾기
      • 모티프와 숨바꼭질
      • 모티프 검색: 무차별 대입 알고리듬
    • 모티프에 점수 매기기
      • 모티프에서 프로필 행렬과 컨센서스 문자열
      • 더 적절한 모티프 점수 계산 함수
      • 엔트로피와 모티프 로고
    • 모티프 찾기에서 중앙 문자열 찾기까지
      • 모티프 찾기 문제
      • 모티프 찾기 문제의 재구성
      • 중앙 문자열 문제
      • 모티프 찾기 문제를 다시 만든 이유
    • 탐욕 모티프 검색
      • 주사위를 굴리고자 프로필 행렬 사용하기
      • 탐욕 모티프 검색 분석
    • 모티프 검색과 올리버 크롬웰
      • 내일 해가 뜨지 않을 확률은 얼마인가?
      • 라플라스의 승계 법칙
      • 탐욕 모티프 검색의 발전
      • 무작위 모티프 검색
    • 주사위로 모티프 찾기
      • 무작위 모티프 검색이 작동하는 이유
    • 무작위 알고리듬은 어떻게 잘 작동하는가?
    • 깁스 샘플링
    • 깁스 샘플링의 작동
    • 에필로그: 결핵균은 어떻게 항생제를 피하려고 동면할까?
    • 충전소
      • 중앙 문자열 해결
    • 돌아가기
      • 유전자 발현
      • DNA 어레이
      • 뷔퐁의 바늘
      • 모티프 찾기의 복잡성
      • 상대적 엔트로피
    • 참고 문헌

  • 3장. 유전체는 어떻게 조립하는가?
    • 폭발하는 신문들
    • 문자열 재구축 문제
      • 유전체 조립은 당신 생각보다 더 어렵다
      • 문자열을 k-mer로부터 재구성하기
      • 반복 서열은 유전체 조립을 어렵게 한다
    • 겹침 그래프에서의 움직임과 같은 문자열 재구축
      • 문자열에서 그래프로
      • 유전체가 사라진다
      • 그래프 표현법 두 가지
      • 해밀턴 경로와 범용 문자열
    • 문자열 재구축을 위한 또 다른 그래프
      • 노드 접착 및 드 브루인 그래프
    • 드 브루인 그래프에서 움직이기
      • 오일러 경로
      • 드 브루인 그래프를 구축하는 또 다른 방법
      • k-mer 구성으로부터 드 브루인 그래프 구축하기
      • 드 브루인 그래프 대 겹침 그래프
    • 쾨니히스버그의 7개의 다리
    • 오일러 정리
    • 오일러 정리에서부터 오일러 순환 경로를 찾는 알고리듬까지
      • 오일러 순환 경로 구축하기
      • 오일러 순환 경로에서 오일러 경로로
      • 범용 문자열 구축하기
    • 리드 쌍으로부터 유전체 조립하기
      • 리드에서 리드 쌍으로
      • 리드쌍을 가상의 긴 리드로 바꾸는 방법
      • 구성에서 쌍체 구성으로
      • 쌍을 이루는 드 브루인 그래프
      • 쌍을 이루는 드 브루인 그래프의 함정
    • 에필로그: 유전체 조립이 실제 시퀀싱 데이터를 마주하다
      • 리드들을 k-mer들로 쪼개기
      • 유전체를 컨티그들로 쪼개기
      • 오류가 많은 리드들을 조립하기
      • 드 브루인 그래프에서 에지의 다양성 추론하기
    • 충전소
      • 인접 행렬을 접착하는 효과
      • 모든 오일러 순환 경로 만들기
      • 쌍을 이루는 드 브루인 그래프의 경로를 따라서 문자열 구축하기
      • 그래프의 최대 비분기 경로
    • 돌아가기
      • DNA 시퀀싱 기술의 짧은 역사
      • 인간 유전체의 반복 서열
      • 그래프
      • 이코시안 게임
      • 다루기 쉬운 문제와 다루기 어려운 문제
      • 오일러에서 해밀턴 그리고 드 브루인으로
      • 칼리닌그라드의 일곱 다리
      • 이중 가닥 DNA를 조립할 때의 함정
      • BEST 정리
    • 참고 문헌

  • 4장. 항생제의 서열은 어떻게 알아낼까?
    • 항생제의 발견
    • 박테리아는 어떻게 항생제를 만드는가?
      • 유전체가 펩티드를 암호화하는 방법
      • 바실루스 브레비스 유전체의 어떤 부분이 티로시딘을 암호화하는가?
      • 선형에서 고리형 펩티드로
    • 분자생물학 중심 원리 회피
    • 항생제를 작게 조각 내 서열 해독
      • 질량 분석법 소개
      • 고리형 펩티드 시퀀싱 문제
    • 고리형 펩티드 시퀀싱의 브루트 포스 알고리듬
    • 분기 한정법 알고리듬을 고리형 펩티드 시퀀싱에 적용
    • 골프를 만난 질량 분석법
      • 이론에서부터 실제 스펙트럼으로
      • 오류가 있는 스펙트럼에 고리형 펩티드 시퀀싱 적용
    • 20에서 100개 이상의 아미노산
    • 스펙트럼 컨볼루션으로 문제 해결
    • 에필로그: 가상의 스펙트럼에서 실제 스펙트럼으로
    • 열린 문제
      • 순환 도로와 유료 도로 문제
      • 영장류에서 고리형 펩티드 시퀀싱
    • 충전소
      • 펩티드의 이론 스펙트럼 생성
      • CYCLOPEPTIDESEQUENCING은 얼마나 빠를까?
      • 펩티드 Leaderboard 자르기
    • 돌아가기
      • 가우스와 리센코주의
      • 코돈의 발견
      • 쿼럼 센싱
      • 분자 질량
      • 셀레노시스테인과 피롤리신
      • 유료 도로 문제의 의사 다항식 알고리듬
      • 분할 유전자
    • 참고 문헌

  • 5장. DNA 서열들을 비교하려면 어떻게 해야 할까?
    • 비리보솜 코드 해독하기
      • RNA 넥타이 클럽
      • 단백질 비교에서 비리보솜 코드까지
      • 종양 유전자와 성장 인자의 공통점은 무엇일까?
    • 서열 정렬에 대한 소개
      • 서열 정렬은 게임과 같다
      • 문자열 정렬과 최장 공통 하위문자열
    • 맨해튼 관광객 문제
      • 최적의 관광 코스는 무엇일까?
      • 임의의 방향성 그래프에서 관광하기
    • 서열 정렬은 맨해튼 관광객 문제가 위장하고 있는 것일 뿐이다
    • 동적 프로그래밍 소개: 변화 문제
      • 탐욕스럽게 거스름돈 받기
      • 재귀적으로 돈 거슬러 주기
      • 동적 프로그래밍을 사용한 거스름돈 계산
    • 다시 맨해튼 관광객 문제로
    • 맨해튼 문제에서 임의의 방향성 비순환 그래프로
      • 서열 정렬은 유사 - 맨해튼 그래프를 구축하는 것과 같다
      • 임의의 DAG에 동적 프로그래밍 적용하기
      • 위상학적 순서대로 나열하기
    • 정렬 그래프 역추적하기
    • 정렬 점수
      • LCS 점수 모델의 문제는 뭘까?
      • 점수 행렬
    • 전역 정렬에서 지역 정렬까지
      • 전역 정렬
      • 전역 정렬의 한계
      • 정렬 그래프에서 공짜 택시 타기
    • 서열 정렬의 다양한 모습
      • 수정 거리
      • 적합 정렬
      • 겹침 정렬
    • 서열 정렬에서 삽입과 삭제에 대한 페널티를 주는 방법
      • 어파인 갭 페널티
      • 맨해튼을 3개의 층으로 구축하기
    • 공간 효율적인 서열 정렬
      • 선형적 메모리를 사용해 정렬 점수 계산하기
      • 중간 노드 문제
      • 놀랍도록 빠르고 메모리 효율적인 정렬 알고리듬
      • 중간 에지 문제
    • 에필로그: 다중 서열 정렬
      • 3차원 맨해튼 구축하기
      • 탐욕 다중 정렬 알고리듬
    • 돌아가기
      • 개똥벌레와 비리보솜 코드
      • 도시를 만들지 않고 LCS 찾기
      • 위상학적 나열 만들기
      • PAM 점수 행렬
      • 분할 및 정복 알고리듬
      • 다중 정렬에 점수 매기기
    • 참고 문헌

  • 6장. 인간 유전체에도 연약한 영역이 있을까?
    • 쥐와 남자
      • 사람과 쥐의 유전체는 얼마나 다를까?
      • 합성 블록
      • 반전
      • 재배열 핫스팟
    • 염색체 진화의 무작위 절단 모델
    • 반전을 통한 나열
    • 반전 나열을 위한 탐욕적 발견법
    • 절단점
      • 절단점이란 무엇인가?
      • 절단점 개수 세기
      • 절단점을 제거하는 반전 나열
    • 종양 유전체를 재배열하기
    • 단일 염색체에서 다중 염색체로
      • 전좌, 결합, 분열
      • 유전체에서 그래프로
      • 2 -절단
    • 절단점 그래프
    • 2-절단 거리 계산하기
    • 인간 유전체의 재배열 핫스팟
      • 무작위 절단 모델과 2-절단 거리 이론의 만남
      • 취약 절단 모델
    • 에필로그: 합성 블록 구축하기
      • 유전체 점 도표
      • 공유하고 있는 k - mer들 찾기
      • 공유 k - mer로부터 합성 블록 구축하기
      • 합성 블록을 그래프의 연결된 요소들로 생각하기
    • 미해결 문제: 재배열이 박테리아 진화의 비밀을 밝힐 수 있을까?
    • 충전소
      • 유전체에서 절단점 그래프 만들기
      • 2-절단 문제 해결하기
    • 돌아가기
      • X 염색체의 유전자는 왜 잘 보존돼 있는 걸까?
      • 유전체 재배열의 발견
      • 지수 분포
      • 빌 게이츠와 데이비드 X. 코헨의 팬케이크 뒤집기
      • 반전을 사용해 선형 순열 나열하기
    • 참고 문헌

  • 7장. 어떤 동물이 우리에게 SARS를 옮겼을까?
    • 가장 빠른 전염병
      • 메트로폴 호텔에서 생긴 문제
      • SARS의 진화
    • 거리 행렬을 진화 트리로 바꾸기
      • 코로나 바이러스 유전체에서 거리 행렬 만들기
      • 진화 트리를 그래프로 나타내기
      • 거리 기반 계통 발생 구축
    • 거리 기반 계통 발생 구축을 위한 알고리듬을 향해
      • 이웃하고 있는 잎 탐색하기
      • 가지의 길이 계산하기
    • 가산적 계통 발생
      • 트리의 가지 다듬기
      • 가지 붙이기
      • 거리 기반 계통 발생을 구축하기 위한 알고리듬
      • 코로나 바이러스의 진화 트리 구축하기
    • 최소 제곱을 사용해 거리의 근사값에 기반한 계통 발생을 구축하는 방법
    • 초거리 진화 트리
    • 이웃-연결 알고리듬
      • 거리 행렬을 이웃 - 연결 행렬로 바꾸는 방법
      • 이웃-연결 알고리듬으로 코로나 바이러스 분석하기
      • 트리 구축에 있어서 거리 기반 접근 방법의 한계점
    • 특성-기반 트리 재구축
      • 특성표
      • 해부학적 특성에서 유전적 특성으로
      • 곤충의 날개는 얼마나 많은 진화에 의해 만들어졌을까?
    • 최소 단순성 문제
    • 최대 단순성 문제
    • 에필로그: 진화 트리로 범죄에 맞서다
    • 돌아가기
      • HIV는 언제 유인원에서 인간으로 전파된 걸까?
      • 거리 행렬에 적합한 트리 찾기
      • 네 점 조건
      • SARS를 옮긴 것은 박쥐일까?
      • 이웃-연결 알고리듬이 어떻게 이웃하는 잎을 찾는 것일까?
      • 이웃-연결 알고리듬에서 가지의 길이 계산하기
      • 자이언트 판다: 곰일까 라쿤일까?
      • 인간은 어디에서 왔을까?
    • 참고 문헌

  • 8장. 효모는 어떻게 와인 제조사가 됐을까?
    • 와인 제조의 진화적 역사
      • 우린 언제부터 알코올에 중독돼 온 걸까?
      • 이중영양적 전환
    • 이중영양적 전환에 관련된 유전자 탐색하기
      • 다른 운명을 맞이하게 된 두 가지 진화 가설
      • 효모 유전자 중 어떤 것들이 이중영양적 전환을 이끌어 내는가?
    • 클러스터링 개론
      • 유전자 발현량 분석
      • 효모 유전자 클러스터링
    • 좋은 클러스터링 원칙
    • 클러스터링을 최적화 문제로 바라보기
    • 최장 최초 횡단
    • k-Means 클러스터링
      • 제곱 왜곡 오차
      • k-means 클러스터링과 무게 중심
    • 로이드 알고리듬
      • 중심적에서 클러스터로 그리고 다시 반대로
      • 로이드 알고리듬 초기화하기
      • k-means++ 초기화
    • 이중영양적 전환에 관련된 유전자들을 클러스터링하기
    • k-Means 클러스터링의 한계점
    • 동전 던지기에서 k-Means 클러스터링으로
      • 편향된 정도를 알 수 없는 동전 던지기
      • 계산 문제는 어디 있는가?
      • 동전 던지기에서 로이드 알고리듬으로
      • 클러스터링으로 돌아와서
    • 동전 던지기에서 소프트 결정 내리기
      • 기대값 극대화: E-step
      • 기대값 극대화: M-step
      • 기대값 극대화 알고리듬
    • 소프트 k-Means 클러스터링
      • 클러스터링에 기대값 극대화 알고리듬 적용하기
      • 중심점에서 소프트 클러스터로 가기
      • 소프트 클러스터에서 중심점으로 가기
    • 계층 클러스터링
      • 거리 기반 클러스터링에 대한 소개
      • 트리에서 클러스터 추론하기
      • 계층 클러스터링을 사용해 이중영양적 전환 분석하기
    • 에필로그: 암 샘플 클러스터링하기
    • 돌아가기
      • 전장 유전체 복제일까 아니면 연속적인 단일 유전자 복제일까?
      • 유전자 발현량 측정하기
      • 마이크로어레이
      • 무게 중심 이론의 증명
      • 발현량 행렬을 거리/유사도 행렬로 바꾸는 방법
      • 클러스터링과 손상된 클리크들
    • 참고 문헌

  • 9장. 질병을 일으키는 돌연변이는 어떻게 찾는 걸까?
    • 오도 증후군의 원인은 무엇일까?
    • 다중 패턴 매칭에 대한 소개
    • 패턴들을 트라이로 만들기
      • 트라이 구축하기
      • 트라이를 다중 패턴 매칭 문제에 적용하기
    • 유전체 전처리로 대신하기
      • 접미사 트라이에 대한 소개
      • 패턴 매칭에 접미사 트라이 사용하기
    • 접미사 트리
    • 접미사 배열
      • 접미사 배열 구축하기
      • 접미사 배열을 사용한 패턴 매칭
    • 버로우즈-휠러 변형
      • 유전체 압축
    • 버로우즈-휠러 변환 구축하기
      • 반복 서열에서 런으로
      • 버로우즈-휠러 변환을 거꾸로 되돌리는 방법
      • 버로우즈 - 휠러 변환을 되돌리려는 첫 번째 시도
      • 처음 - 끝 특성
      • 처음 - 끝 특성을 사용해 버로우즈 - 휠러 변환 되돌리기
    • 버로우즈-휠러 변환을 사용한 패턴 매칭
      • 버로우즈 - 휠러를 사용한 첫 번째 패턴 매칭 시도
      • 패턴의 끝에서부터 뒤로 가기
      • 끝 -처음 연결
    • 버로우즈-휠러 패턴 매칭의 속도 높이기
      • 끝-처음 연결을 횟수 배열로 바꾸기
      • 버로우즈-휠러 행렬에서 첫 번째 열을 제거하는 방법
    • 일치하는 패턴들의 위치는 어디인가?
    • 과학 역사의 한 페이지를 장식한 버로우즈와 휠러
    • 에필로그: 미스매치를 허용하는 리드 매핑
      • 대략적인 패턴 매칭에서 정확한 패턴 매칭으로 나아가는 방법
      • BLAST: 서열을 데이터베이스에 대조하기
      • 버로우즈- 휠러 변환을 사용한 대략적인 패턴 매칭
    • 충전소
      • 접미사 트리 구축하기
      • 최장 공유 하위 문자열 문제의 해결 방법
      • 부분 접미사 배열 구축하기
    • 돌아가기
      • 표준 인간 유전체
      • 인간 유전체에서의 재배열, 삽입, 삭제
      • 아호-코라식 알고리듬
      • 접미사 트리에서 접미사 배열 만들기
      • 접미사 배열에서 접미사 트리까지
      • 이진 탐색
    • 참고 문헌

  • 10장. 생물학자들은 왜 아직까지 HIV 백신을 개발하지 못했는가?
    • HIV 형질 분류하기
      • HIV는 어떻게 인간의 면역 체계를 피하는 걸까?
      • 서열 정렬의 한계점
    • 야쿠자와 도박하기
    • 딜러의 소매에 숨어 있는 2개의 동전
    • CG-아일랜드 찾기
    • 은닉 마코프 모델
      • 동전 던지기에서 은닉 마코프 모델까지
      • HMM 도표
      • 카지노 문제를 수식으로 재구성하기
    • 복호화 문제
      • 비터비 그래프
      • 비터비 알고리듬
      • 비터비 알고리듬은 얼마나 빠를까?
    • 특정 HMM에서 가장 그럴듯한 결과물 찾기
    • 서열 정렬을 위한 프로필 HMM
      • HMM과 서열 정렬은 어떤 관련이 있는가?
      • 프로필 HMM 구축하기
      • 프로필 HMM에서의 전이 확률과 방출 확률
    • 프로필 HMM을 사용해 단백질 분류하기
      • 프로필 HMM에 단백질 정렬하기
      • 유사 횟수의 귀환
      • 골치 아픈 침묵 상태 문제
      • 프로필 HMM은 실제로 유용한가?
    • HMM의 매개변수 배워 보기
      • 감춰진 경로를 알고 있을 때 HMM 매개변수 추정하기
      • 비터비 학습
    • 매개변수 추정을 위한 소프트 결정
      • 소프트 복호화 문제
      • 순방향 - 역방향 알고리듬
    • 바움-웰치 학습
    • HMM의 다양한 모습
    • 에필로그: 자연은 발명가가 아니라 수선가다
    • 돌아가기
      • 붉은 여왕 효과
      • 당화
      • DNA 메틸화
      • 조건부 확률
    • 참고 문헌

  • 11장. 티라노사우르스는 단지 큰 닭일까?
    • 고생물학과 계산의 만남
    • 이 샘플에는 어떤 단백질들이 있을까?
    • 이상적 스펙트럼 해석
    • 이상 스펙트럼에서 실제 스펙트럼으로
    • 펩티드 시퀀싱
      • 스펙트럼에 맞는 펩티드 점수
      • 접미사 펩티드는 어디에 있는가?
      • 펩티드 시퀀싱 알고리듬
    • 펩티드 식별
      • 펩티드 식별 문제
      • 미지의 티렉스 단백질체에서 펩티드 식별
      • 펩티드-스펙트럼 일치 찾기
    • 펩티드 식별과 무한 원숭이 정리
      • 거짓 발견 비율
      • 원숭이와 타자기
      • 펩티드 스펙트럼 일치의 통계적 의의
    • 스펙트럼 사전
    • 티렉스 펩티드: 오염 물질일까 아니면 고대 단백질의 보물 창고일까?
      • 헤모글로빈 수수께끼
      • 공룡 DNA 논란
    • 에필로그: 변형되지 않은 펩티드에서 변형된 펩티드로
      • 번역 후 변형
      • 변형 탐색을 정렬 문제로
      • 스펙트럼 정렬을 위한 맨해튼 그리드 생성
      • 스펙트럼 정렬 알고리듬
    • 돌아가기
      • 유전자 예측
      • 그래프에서 모든 경로 찾기
      • 반대칭 경로 문제
      • 스펙트럼을 스펙트럼 벡터로 변환
      • 무한 원숭이 정리
      • 스펙트럼 사전의 펩티드 확률 공간
      • 육상 공룡은 정말 새의 조상일까?
      • 가장 가능성 높은 펩티드 벡터 문제 해결하기
      • 스펙트럼을 스펙트럼 벡터로 변환하기 위한 매개변수 선택
    • 참고 문헌

  • 부록. 의사 코드 소개
    • 의사 코드란?
    • 의사 코드의 기본
      • if 조건문
      • for 반복문
      • while 반복문
      • 재귀 프로그래밍
      • 배열

도서 오류 신고

도서 오류 신고

에이콘출판사에 관심을 가져 주셔서 고맙습니다. 도서의 오탈자 정보를 알려주시면 다음 개정판 인쇄 시 반영하겠습니다.

오탈자 정보는 다음과 같이 입력해 주시면 됩니다.

(예시) p.100 아래에서 3행 : '몇일'동안 -> 며칠동안

정오표

정오표

[p. 47 : 1행]
대장균(Eschericia coli, E. coli)
->
대장균(Escherichia coli, E. coli)