Уважаемые коллеги, доброго времени суток! Представляем вам шведской научное издание Computational and Structural Biotechnology Journal. Журнал имеет первый квартиль, издается в Research Network of Computational and Structural Biotechnology, находится в открытом доступе, его SJR за 2019 г. равен 1,782, импакт-фактор - 6,018, электронный ISSN - 2001-0370, предметные области - Биохимия, Прикладная наука о компьютерах, Структурная биология, Биофизика, Биотехнологии, Генетика. Вот так выглядит обложка:
Редактором является Джанни Панагито, контактные данные - gianni.panagiotou@leibniz-hki.de.
https://www.researchgate.net/profile/Gianni_Panagiotou
Это ведущий онлайн журнал открытого доступа, публикующий исследовательские статьи и обзоры после слепого рецензирования. Все статьи публикуются без каких-либо препятствий для доступа сразу же после их принятия. Журнал уделяет большое внимание функциональному и механистическому пониманию того, как молекулярные компоненты в биологическом процессе взаимодействуют друг с другом при помощи применения вычислительных методов. Структурные данные могут дать такое понимание, но они не являются обязательным условием для публикации в журнале. Конкретные области интересов включают, но не ограничиваются ими: Структура и функция белков, нуклеиновых кислот и других макромолекул; Структура и функция многокомпонентных комплексов; Сворачивание, обработка и деградация белков; Энзимология; Вычислительные и структурные исследования растительных систем; Микробная информатика; Геномика; Протеомика; Метаболомика; Алгоритмы и гипотезы в биоинформатике; Математическая и теоретическая биология; Вычислительная химия; Открытие лекарств; Микроскопия и молекулярная визуализация; Нанотехнологии; Системы и синтетическая биология.
Пример статьи, название - Machine learning applications in cancer prognosis and prediction. Заголовок (Abstract) - Cancer has been characterized as a heterogeneous disease consisting of many different subtypes. The early diagnosis and prognosis of a cancer type have become a necessity in cancer research, as it can facilitate the subsequent clinical management of patients. The importance of classifying cancer patients into high or low risk groups has led many research teams, from the biomedical and the bioinformatics field, to study the application of machine learning (ML) methods. Therefore, these techniques have been utilized as an aim to model the progression and treatment of cancerous conditions. In addition, the ability of ML tools to detect key features from complex datasets reveals their importance. A variety of these techniques, including Artificial Neural Networks (ANNs), Bayesian Networks (BNs), Support Vector Machines (SVMs) and Decision Trees (DTs) have been widely applied in cancer research for the development of predictive models, resulting in effective and accurate decision making. Even though it is evident that the use of ML methods can improve our understanding of cancer progression, an appropriate level of validation is needed in order for these methods to be considered in the everyday clinical practice. In this work, we present a review of recent ML approaches employed in the modeling of cancer progression. The predictive models discussed here are based on various supervised ML techniques as well as on different input features and data samples. Given the growing trend on the application of ML methods in cancer research, we present here the most recent publications that employ these techniques as an aim to model cancer risk or patient outcomes. Keywords: Machine learning; Cancer susceptibility; Predictive models; Cancer recurrence; Cancer survival