M.Dehmer

　　Statistical and Machine

　　Learning Approaches for

　　Network Analysis

　　2012，344p

　　Hardcover

　　ISBN9783527331833

　　M·德默等编

　　图形结构被用于计算机可以识别的结构信息时，对图形信息进行统计分析就成为可能。生物信息学、分子与系统生物学、理论物理、计算机科学、化学、工程等多个领域都在利用这一特点充分发挥计算机在分析和统计方面的优势。本书的一个重要特点就是将诸如图论、机器学习及统计数据分析之类的理论相互结合，形成一个新领域，以交叉学科的方式探索复杂网络。基因组、蛋白质，信号以及代谢组学数据的大规模生成使得复杂网络的构建成为可能，它为理解生理学以及病理学状态的分子基础提供了一个崭新的框架。网络和基于网络的方法用于生物学中以便表征基因组、遗传机理以及蛋白质信号。疾病被看作关键细胞网络的异常干扰。如今，在对诸如癌症、糖尿病等的复杂疾病的干预中，就使用网络理论来分析。

　　本书共有11章：1.重构及划分生物网络计算方法概论； 2.复杂网络入门：度量、统计性质及模型； 3.进化中的生物网络建模； 4.内含动力学的生物网络的模块性配置； 5.统计概算机对管理网络大规模因果推理的影响； 6.加权频谱分布：网络结构分析的度量； 7.进化中的随机二部图的结构； 8.图形内核； 9.用于早老性痴呆病的基于网络的信息协同分析； 10.结构化数据中基于密度的集合枚举； 11.采用加权图形内核的下位词析取。

　　本书第1主编是奥地利健康与生命大学生物信息学和转化研究所所长，他在生物信息学、系统生物学和应用离散数学领域发表论文130篇。他是Wiley出版的《复杂疾病医学生物统计学》《复杂网络分析》和《微阵列数据分析》等书的合作编者。

　　本书可用作应用离散数学、生物信息学、模式识别、计算机科学专业跨学科研究生课程的补充读物，对于这些领域的研究人员和专业人员，也是一本有价值的参考书。

　　胡光华，退休高工

　　（原中国科学院物理学研究所）

　　Hu Guanghua， Senior Software Engineer

　　（Former Institute of Physics，CAS）