Datamining für die Proteinsequenzanalyse

Data Mining von Proteinsequenzdatenbanken stellt eine Herausforderung dar, da viele Proteinsequenzen nicht relational sind, w hrend die meisten Data-Mining-Algorithmen davon ausgehen, dass die Eingabedaten eine relationale Datenbank sind. Dar ber hinaus liefern rohe Proteinsequenzdatenbanken keine aussagekr ftigen 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 f r die Vorhersage eingesetzt. Im Biocomputing werden Data-Mining-Techniken (DM) h ufig f r die Vorhersage von Proteinstrukturen verwendet. Die Interpretation umfangreicher biologischer Daten ist komplex und der Bedarf an Data-Mining-Konzepten ist gro . Molekulare Daten wie DNA-/Proteinsequenzen, das Niveau der genetischen Expression, biochemische Pfade, Biomarker und Proteinstrukturen machen einen gro en Teil der biologischen Daten aus. In diesem Buch wird er rtert, wie Standard-Data-Mining-Techniken wie die Extraktion von Proteindaten, Segregation durch Clustering, Assoziation und Visualisierung auf einem Echtzeit-Proteinsequenzdatensatz durchgef hrt werden. Das bestehende integrierte Tool BioParisodhana wird mit BioBCDM verglichen, wobei das neue Tool BioParisodhana bertrifft.