掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
生物醫(yī)藥大數(shù)據(jù)與智能分析 版權(quán)信息
- ISBN：9787115558435
- 條形碼：9787115558435 ; 978-7-115-55843-5
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
生物醫(yī)藥大數(shù)據(jù)與智能分析 本書特色
總結(jié)了生物醫(yī)藥大數(shù)據(jù)和智能分析國家**水平之一的團隊——天河團隊的研究成果，內(nèi)容前沿； 全面覆蓋生物醫(yī)藥大數(shù)據(jù)與智能分析的基本知識和重點前沿科學(xué)問題 生物醫(yī)藥、大數(shù)據(jù)、超級計算、人工智能交叉科學(xué)前沿技術(shù)實踐的深入示范 包含了產(chǎn)生實際社會和經(jīng)濟效益的真實案例，參考價值高； 包含代碼和數(shù)據(jù)集，方便科研人員和應(yīng)用開發(fā)人員借鑒、重用。
生物醫(yī)藥大數(shù)據(jù)與智能分析 內(nèi)容簡介
生物醫(yī)藥大數(shù)據(jù)蘊含了很好豐富的信息和知識，是關(guān)乎人類生存與健康的重要戰(zhàn)略資源，但只有對生物醫(yī)藥大數(shù)據(jù)進行高效處理和智能分析，才能真正推動生物醫(yī)藥研究和產(chǎn)業(yè)化從原來的假設(shè)驅(qū)動向數(shù)據(jù)驅(qū)動轉(zhuǎn)變，因而近些年來生物醫(yī)藥大數(shù)據(jù)與智能分析逐漸成為潛力巨大且發(fā)展迅猛的交叉領(lǐng)域。本書簡要介紹了并行計算、機器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用于生物醫(yī)藥大數(shù)據(jù)的相關(guān)基礎(chǔ)知識，并總結(jié)了作者團隊在生物醫(yī)藥大數(shù)據(jù)處理和分析領(lǐng)域的若干成果，主要涵蓋基因表達譜分析、微生物基因組、藥物虛擬篩選、腫瘤基因表達譜分類、RNA編輯位點識別、增強子識別等，以作者團隊的研究成果為實際案例，詳細介紹了研究的路線和方法。 本書屬于高性能計算、大數(shù)據(jù)、機器學(xué)習(xí)和生物醫(yī)藥等專業(yè)的交叉領(lǐng)域，可以為這些領(lǐng)域的研究人員提供參考，也可作為相關(guān)專業(yè)高年級本科生和研究生的補充教材。
生物醫(yī)藥大數(shù)據(jù)與智能分析 目錄
目錄
第 一篇 緒論
第 1 章 生物醫(yī)藥大數(shù)據(jù)與智能分析概述 2
1．1 生物醫(yī)藥大數(shù)據(jù) 2
1．2 生物醫(yī)藥大數(shù)據(jù)的高效處理 3
1．2．1 大規(guī)模并行處理技術(shù) 3
1．2．2 云計算技術(shù) 5
1．3 生物醫(yī)藥大數(shù)據(jù)的智能分析 5
1．4 總結(jié) 6
1．5 本書的內(nèi)容安排 6
第二篇 生物醫(yī)藥大數(shù)據(jù)的高效處理
第 2 章 生物醫(yī)藥大數(shù)據(jù)高效處理的基礎(chǔ) 9
2．1 大數(shù)據(jù)計算模型 9
2．1．1 外存模型 9
2．1．2 數(shù)據(jù)流模型 9
2．1．3 PRAM 模型 10
2．1．4 MapReduce 模型 10
2．2 并行計算 10
2．2．1 計算密集型和數(shù)據(jù)密集型 11
2．2．2 并行計算的粒度 11
2．2．3 并行編程的一般設(shè)計過程 11
2．2．4 并行編程模型 12
2．3 總結(jié) 12
第 3 章 海量基因表達譜分析 13
3．1 基因表達譜分析與生物效應(yīng)評估概述 14
3．2 海量基因表達譜快速查詢 15
3．2．1 GSEA 工具 15
3．2．2 海量基因表達譜查詢算法 17
3．2．3 性能評估 25
3．3 海量基因表達譜并行比對與聚類 27
3．3．1 基因表達數(shù)據(jù)庫 CMap 28
3．3．2 基因表達譜并行比對 29
3．3．3 基因表達譜并行聚類 30
3．3．4 性能評估 34
3．4 總結(jié) 40
第 4 章 功能性前噬菌體預(yù)測 42
4．1 前噬菌體預(yù)測概述 43
4．1．1 噬菌體與功能性前噬菌體 43
4．1．2 前噬菌體與功能性前噬菌體預(yù)測的挑戰(zhàn) 45
4．2 功能性前噬菌體預(yù)測算法 47
4．2．1 LysoPhD 流程設(shè)計 47
4．2．2 數(shù)據(jù)質(zhì)量控制流水線 49
4．2．3 前噬菌體范圍的粗略預(yù)測 50
4．2．4 前噬菌體范圍的精確預(yù)測 53
4．2．5 前噬菌體功能性分析 54
4．2．6 基于末端延伸算法的溶原性噬菌體完整序列提取 55
4．2．7 性能評估 57
4．3 預(yù)測算法并行化 62
4．3．1 多線程并行加速 63
4．3．2 溶原性噬菌體數(shù)據(jù)庫構(gòu)建 64
4．4 總結(jié) 65
第 5 章 高通量藥物虛擬篩選 67
5．1 藥物虛擬篩選概述 68
5．1．1 藥物虛擬篩選 68
5．1．2 虛擬篩選軟件 D3DOCKxb 70
5．2 基于 CPU 多核的藥物虛擬篩選并行優(yōu)化 71
5．2．1 D3DOCKxb 程序分析 72
5．2．2 基于 CPU 多核的 D3DOCKxb 設(shè)計與實現(xiàn) 73
5．2．3 性能評估 76
5．3 基于 CPU-MIC 協(xié)同的藥物虛擬篩選并行優(yōu)化 79
5．3．1 基于 MIC 協(xié)處理器的 D3DOCKxb 移植 80
5．3．2 CPU-MIC 異構(gòu)協(xié)同的 mD3DOCKxb 84
5．3．3 性能評估 86
5．4 基于“天河二號”超級計算機的大規(guī)模高通量藥物虛擬篩選平臺 90
5．4．1 高通量虛擬篩選的主要挑戰(zhàn) 90
5．4．2 高通量虛擬篩選的算法設(shè)計 91
5．4．3 性能評估 93
5．4．4 應(yīng)用研究 97
5．5 總結(jié) 99
第三篇 生物醫(yī)藥大數(shù)據(jù)的智能分析
第 6 章 生物醫(yī)藥大數(shù)據(jù)的智能分析基礎(chǔ) 102
6．1 傳統(tǒng)的機器學(xué)習(xí)技術(shù) 102
6．2 深度學(xué)習(xí)在生物醫(yī)藥大數(shù)據(jù)中的應(yīng)用 103
6．2．1 在組學(xué)研究中的應(yīng)用 104
6．2．2 在生物醫(yī)學(xué)影像中的應(yīng)用 105
6．2．3 在生物醫(yī)學(xué)信號處理中的應(yīng)用 105
6．2．4 在藥物研發(fā)中的應(yīng)用 106
6．3 常見的深度學(xué)習(xí)模型和框架 107
6．3．1 常見的深度學(xué)習(xí)模型 107
6．3．2 常見的深度學(xué)習(xí)框架 111
6．4 深度學(xué)習(xí)解決生物大數(shù)據(jù)問題的一般方法 112
6．4．1 數(shù)據(jù)獲取及編碼 112
6．4．2 數(shù)據(jù)預(yù)處理 113
6．4．3 模型訓(xùn)練 115
6．4．4 性能評估 116
6．5 總結(jié) 117
第 7 章 基于字典學(xué)習(xí)的腫瘤基因表達譜分類 118
7．1 腫瘤基因表達譜分類概述 119
7．1．1 腫瘤與基因表達譜 119
7．1．2 分類算法 123
7．2 基于判別投影的字典學(xué)習(xí)基因表達譜分類 126
7．2．1 字典學(xué)習(xí)分類算法 126
7．2．2 基于判別投影的字典學(xué)習(xí)算法 128
7．2．3 性能評估 132
7．3 結(jié)合集成學(xué)習(xí)的字典學(xué)習(xí)基因表達譜分類 134
7．3．1 集成學(xué)習(xí) 134
7．3．2 結(jié)合集成學(xué)習(xí)的字典學(xué)習(xí)算法 136
7．3．3 性能評估 140
7．4 基于隨機序列和樣本距離的基因表達譜特征選擇 143
7．4．1 數(shù)據(jù)預(yù)處理方法 144
7．4．2 腫瘤基因表達譜數(shù)據(jù)的特征選擇 145
7．4．3 性能評估 148
7．5 總結(jié) 149
第 8 章 基于深度學(xué)習(xí)的 RNA 編輯位點識別 150
8．1 RNA 編輯識別概述 150
8．1．1 RNA 編輯 150
8．1．2 RNA 編輯識別面臨的挑戰(zhàn) 151
8．2 RNA 編輯位點金標集的構(gòu)建 152
8．2．1 ENCODE 計劃 152
8．2．2 基于 ENCODE 計劃的 RNA 編輯位點金標集設(shè)計 154
8．2．3 訓(xùn)練集和測試集的構(gòu)建 155
8．3 基于雙向 LSTM 的 RNA 編輯位點識別 157
8．3．1 雙向長短時記憶網(wǎng)絡(luò) 157
8．3．2 rnnRed 算法網(wǎng)絡(luò)模型的構(gòu)建、訓(xùn)練及性能評估 158
8．4 基于 ResNet 的 RNA 編輯位點識別 165
8．4．1 殘差網(wǎng)絡(luò) 165
8．4．2 cnnRed 算法網(wǎng)絡(luò)模型的構(gòu)建、訓(xùn)練及性能評估 166
8．5 總結(jié) 171
第 9 章 基于深度學(xué)習(xí)的增強子識別 172
9．1 增強子識別概述 172
9．2 增強子識別神經(jīng)網(wǎng)絡(luò) 174
9．2．1 模型的設(shè)計 174
9．2．2 模型的優(yōu)化 177
9．3 增強子序列數(shù)據(jù)集的預(yù)處理 178
9．3．1 增強子數(shù)據(jù)集 178
9．3．2 增強子序列的數(shù)值映射 179
9．4 模型的訓(xùn)練 180
9．4．1 訓(xùn)練集及實驗平臺 180
9．4．2 參數(shù)的選擇 181
9．5 模型的預(yù)測評估 182
9．5．1 測試集及實驗平臺 182
9．5．2 性能度量指標 182
9．5．3 模型性能評估 184
9．6 總結(jié) 186
參考文獻 187
第 一篇 緒論
第 1 章 生物醫(yī)藥大數(shù)據(jù)與智能分析概述 2
1．1 生物醫(yī)藥大數(shù)據(jù) 2
1．2 生物醫(yī)藥大數(shù)據(jù)的高效處理 3
1．2．1 大規(guī)模并行處理技術(shù) 3
1．2．2 云計算技術(shù) 5
1．3 生物醫(yī)藥大數(shù)據(jù)的智能分析 5
1．4 總結(jié) 6
1．5 本書的內(nèi)容安排 6
第二篇 生物醫(yī)藥大數(shù)據(jù)的高效處理
第 2 章 生物醫(yī)藥大數(shù)據(jù)高效處理的基礎(chǔ) 9
2．1 大數(shù)據(jù)計算模型 9
2．1．1 外存模型 9
2．1．2 數(shù)據(jù)流模型 9
2．1．3 PRAM 模型 10
2．1．4 MapReduce 模型 10
2．2 并行計算 10
2．2．1 計算密集型和數(shù)據(jù)密集型 11
2．2．2 并行計算的粒度 11
2．2．3 并行編程的一般設(shè)計過程 11
2．2．4 并行編程模型 12
2．3 總結(jié) 12
第 3 章 海量基因表達譜分析 13
3．1 基因表達譜分析與生物效應(yīng)評估概述 14
3．2 海量基因表達譜快速查詢 15
3．2．1 GSEA 工具 15
3．2．2 海量基因表達譜查詢算法 17
3．2．3 性能評估 25
3．3 海量基因表達譜并行比對與聚類 27
3．3．1 基因表達數(shù)據(jù)庫 CMap 28
3．3．2 基因表達譜并行比對 29
3．3．3 基因表達譜并行聚類 30
3．3．4 性能評估 34
3．4 總結(jié) 40
第 4 章 功能性前噬菌體預(yù)測 42
4．1 前噬菌體預(yù)測概述 43
4．1．1 噬菌體與功能性前噬菌體 43
4．1．2 前噬菌體與功能性前噬菌體預(yù)測的挑戰(zhàn) 45
4．2 功能性前噬菌體預(yù)測算法 47
4．2．1 LysoPhD 流程設(shè)計 47
4．2．2 數(shù)據(jù)質(zhì)量控制流水線 49
4．2．3 前噬菌體范圍的粗略預(yù)測 50
4．2．4 前噬菌體范圍的精確預(yù)測 53
4．2．5 前噬菌體功能性分析 54
4．2．6 基于末端延伸算法的溶原性噬菌體完整序列提取 55
4．2．7 性能評估 57
4．3 預(yù)測算法并行化 62
4．3．1 多線程并行加速 63
4．3．2 溶原性噬菌體數(shù)據(jù)庫構(gòu)建 64
4．4 總結(jié) 65
第 5 章 高通量藥物虛擬篩選 67
5．1 藥物虛擬篩選概述 68
5．1．1 藥物虛擬篩選 68
5．1．2 虛擬篩選軟件 D3DOCKxb 70
5．2 基于 CPU 多核的藥物虛擬篩選并行優(yōu)化 71
5．2．1 D3DOCKxb 程序分析 72
5．2．2 基于 CPU 多核的 D3DOCKxb 設(shè)計與實現(xiàn) 73
5．2．3 性能評估 76
5．3 基于 CPU-MIC 協(xié)同的藥物虛擬篩選并行優(yōu)化 79
5．3．1 基于 MIC 協(xié)處理器的 D3DOCKxb 移植 80
5．3．2 CPU-MIC 異構(gòu)協(xié)同的 mD3DOCKxb 84
5．3．3 性能評估 86
5．4 基于“天河二號”超級計算機的大規(guī)模高通量藥物虛擬篩選平臺 90
5．4．1 高通量虛擬篩選的主要挑戰(zhàn) 90
5．4．2 高通量虛擬篩選的算法設(shè)計 91
5．4．3 性能評估 93
5．4．4 應(yīng)用研究 97
5．5 總結(jié) 99
第三篇 生物醫(yī)藥大數(shù)據(jù)的智能分析
第 6 章 生物醫(yī)藥大數(shù)據(jù)的智能分析基礎(chǔ) 102
6．1 傳統(tǒng)的機器學(xué)習(xí)技術(shù) 102
6．2 深度學(xué)習(xí)在生物醫(yī)藥大數(shù)據(jù)中的應(yīng)用 103
6．2．1 在組學(xué)研究中的應(yīng)用 104
6．2．2 在生物醫(yī)學(xué)影像中的應(yīng)用 105
6．2．3 在生物醫(yī)學(xué)信號處理中的應(yīng)用 105
6．2．4 在藥物研發(fā)中的應(yīng)用 106
6．3 常見的深度學(xué)習(xí)模型和框架 107
6．3．1 常見的深度學(xué)習(xí)模型 107
6．3．2 常見的深度學(xué)習(xí)框架 111
6．4 深度學(xué)習(xí)解決生物大數(shù)據(jù)問題的一般方法 112
6．4．1 數(shù)據(jù)獲取及編碼 112
6．4．2 數(shù)據(jù)預(yù)處理 113
6．4．3 模型訓(xùn)練 115
6．4．4 性能評估 116
6．5 總結(jié) 117
第 7 章 基于字典學(xué)習(xí)的腫瘤基因表達譜分類 118
7．1 腫瘤基因表達譜分類概述 119
7．1．1 腫瘤與基因表達譜 119
7．1．2 分類算法 123
7．2 基于判別投影的字典學(xué)習(xí)基因表達譜分類 126
7．2．1 字典學(xué)習(xí)分類算法 126
7．2．2 基于判別投影的字典學(xué)習(xí)算法 128
7．2．3 性能評估 132
7．3 結(jié)合集成學(xué)習(xí)的字典學(xué)習(xí)基因表達譜分類 134
7．3．1 集成學(xué)習(xí) 134
7．3．2 結(jié)合集成學(xué)習(xí)的字典學(xué)習(xí)算法 136
7．3．3 性能評估 140
7．4 基于隨機序列和樣本距離的基因表達譜特征選擇 143
7．4．1 數(shù)據(jù)預(yù)處理方法 144
7．4．2 腫瘤基因表達譜數(shù)據(jù)的特征選擇 145
7．4．3 性能評估 148
7．5 總結(jié) 149
第 8 章 基于深度學(xué)習(xí)的 RNA 編輯位點識別 150
8．1 RNA 編輯識別概述 150
8．1．1 RNA 編輯 150
8．1．2 RNA 編輯識別面臨的挑戰(zhàn) 151
8．2 RNA 編輯位點金標集的構(gòu)建 152
8．2．1 ENCODE 計劃 152
8．2．2 基于 ENCODE 計劃的 RNA 編輯位點金標集設(shè)計 154
8．2．3 訓(xùn)練集和測試集的構(gòu)建 155
8．3 基于雙向 LSTM 的 RNA 編輯位點識別 157
8．3．1 雙向長短時記憶網(wǎng)絡(luò) 157
8．3．2 rnnRed 算法網(wǎng)絡(luò)模型的構(gòu)建、訓(xùn)練及性能評估 158
8．4 基于 ResNet 的 RNA 編輯位點識別 165
8．4．1 殘差網(wǎng)絡(luò) 165
8．4．2 cnnRed 算法網(wǎng)絡(luò)模型的構(gòu)建、訓(xùn)練及性能評估 166
8．5 總結(jié) 171
第 9 章 基于深度學(xué)習(xí)的增強子識別 172
9．1 增強子識別概述 172
9．2 增強子識別神經(jīng)網(wǎng)絡(luò) 174
9．2．1 模型的設(shè)計 174
9．2．2 模型的優(yōu)化 177
9．3 增強子序列數(shù)據(jù)集的預(yù)處理 178
9．3．1 增強子數(shù)據(jù)集 178
9．3．2 增強子序列的數(shù)值映射 179
9．4 模型的訓(xùn)練 180
9．4．1 訓(xùn)練集及實驗平臺 180
9．4．2 參數(shù)的選擇 181
9．5 模型的預(yù)測評估 182
9．5．1 測試集及實驗平臺 182
9．5．2 性能度量指標 182
9．5．3 模型性能評估 184
9．6 總結(jié) 186
參考文獻 187
展開全部
生物醫(yī)藥大數(shù)據(jù)與智能分析 作者簡介
彭紹亮國家超級計算長沙中心副主任，湖南大學(xué)信息科學(xué)與工程學(xué)院教授、博導(dǎo)，湖南大學(xué)教育輿情研究中心副主任（兼），2020年被聘為長江學(xué)者特聘教授，2019年獲湖南省杰出青年基金支持，長期從事高性能計算、大數(shù)據(jù)、生物信息、人工智能、區(qū)塊鏈等方面研究。擔(dān)任國防科技大學(xué)“天河”系列超級計算機生命科學(xué)方向負責(zé)人，國防科技大學(xué)/華大基因兼職教授，鵬城實驗室智慧醫(yī)療平臺課題負責(zé)人，中央軍委科技委生物交叉立項專家組成員，科技部、工信部、教育部會評專家；中國計算機學(xué)會（CCF）理事，生物信息學(xué)、計算機應(yīng)用專委副主任，大數(shù)據(jù)、高性能計算專委常委，區(qū)塊鏈專委委員，CCF杰出會員和杰出講者；湖南省生物信息學(xué)會發(fā)起人、理事長，3個SCI期刊和多個EI期刊的主編、副主編。出版專著7部，發(fā)表學(xué)術(shù)論文上百篇，Google引用五千余次。負責(zé)“天河”系列超級計算機應(yīng)用軟件研發(fā)工作，主持和參與科技部、國家自然科學(xué)基金委重點項目，973/863項目等項目13項。獲2019年國家科學(xué)技術(shù)進步獎二等獎，2019年湖南省技術(shù)發(fā)明獎一等獎（排名第1），2013年軍隊科學(xué)技術(shù)進步獎一等獎，2018年CCF科學(xué)技術(shù)獎自然科學(xué)二等獎（排名第1），2016年榮立三等功 。 王曉偉國防科技大學(xué)計算機科學(xué)與技術(shù)專業(yè)博士、軟件工程博士后科研流動站博士后。長期從事網(wǎng)絡(luò)空間安全、生物醫(yī)藥、軍事信息系統(tǒng)等領(lǐng)域的大數(shù)據(jù)與人工智能技術(shù)研發(fā)工作。作為骨干參與“天河”系列超級計算機應(yīng)用軟件研發(fā)工作，獲2017年軍隊科學(xué)技術(shù)進步獎一等獎。參與國家863計劃、國家重點研發(fā)計劃、國家自然科學(xué)基金重點項目等項目6項，參與制定國家及行業(yè)標準3項，作為第一譯者出版譯著2部（《命令行中的數(shù)據(jù)科學(xué)》《實時分析：流數(shù)據(jù)的分析與可視化技術(shù)》），參與編寫教材2部（《生物信息計算》《大數(shù)據(jù)導(dǎo)論》）。
書友推薦
- >
名家?guī)阕x魯迅:朝花夕拾
- >
姑媽的寶刀
- >
煙與鏡
- >
回憶愛瑪儂
- >
經(jīng)典常談
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
唐代進士錄
本類暢銷
