掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
宇宙、量子和人類心靈
-
>
氣候文明史
-
>
南極100天
-
>
考研數學專題練1200題
-
>
希格斯:“上帝粒子”的發明與發現
-
>
神農架疊層石:10多億年前遠古海洋微生物建造的大堡礁
-
>
聲音簡史
人工智能在生物信息學中的應用 版權信息
- ISBN：9787030765482
- 條形碼：9787030765482 ; 978-7-03-076548-2
- 裝幀：平裝膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能在生物信息學中的應用 內容簡介
本書從多組學數據分析入手，描述了各種組學數據處理過程和生物組學相似性網絡構建過程，介紹了相關人工智能算法的基本理論和基礎知識，詳細闡述了人工智能中的智能優化算法(Intelligentoptimizationalgorithm)、機器學習(Machinelearning)、深度學習(Deeplearning)等技術在基因組學(Genomics)、蛋白組學(Proteomics)、轉錄組學(Transcriptomics)、代謝組學(Metabolomics)、微生物組學(Microbiome)、表觀遺傳組學(Epigenomics)和藥物發現(Drugdiscovery)中的應用，具體內容涉及蛋白質復合物挖掘，關鍵蛋白質識別，疾病基因預測，非編碼RNA（尤其是circRNA）、微生物、代謝物和疾病的關聯關系預測，M6A甲基化位點預測，以及藥物和藥物相互作用預測、藥物重定位等。
人工智能在生物信息學中的應用 目錄
目錄序前言第1章 緒論 11.1 引言 11.2 人工智能 11.2.1 人工智能的發展歷史 11.2.2 人工智能的發展現狀 31.3 大數據時代下的生物信息學 51.3.1 生物信息學 51.3.2 組學大數據的誕生 51.3.3 組學數據的類型與特點 101.3.4 多組學數據融合研究 111.4 人工智能在生物信息領域中的應用 121.4.1 人工智能與生物醫藥 121.4.2 人工智能在多組學數據分析中的應用 141.5 章節安排 181.6 小結 21參考文獻 22第2章 生物多組學知識與數據庫介紹 262.1 引言 262.2 組學基礎知識 262.2.1 基因組學 262.2.2 蛋白質組學 272.2.3 轉錄組學 282.2.4 代謝組學 292.2.5 微生物組學 302.2.6 表觀遺傳組學 302.2.7 單細胞組學 312.2.8 時空組學 312.3 生物數據資源 322.3.1 生物信息學常用數據庫 322.3.2 基因數據資源與常用工具 342.3.3 蛋白質數據資源 342.3.4 非編碼RNA數據庫 352.3.5 代謝物數據資源 382.3.6 微生物數據庫 392.3.7 表觀遺傳組學數據庫 402.3.8 單細胞組學數據庫 412.3.9 時空組學數據庫 422.3.10 疾病及疾病靶點數據庫 432.3.11 藥物數據庫 432.4 小結 45參考文獻 45第3章 生物網絡特性與相似性 483.1 引言 483.2 生物網絡概述 483.2.1 生物網絡的構建 483.2.2 二分網絡和異構網絡 503.3 生物網絡結點的度量方法 503.3.1 中心性度量方法 513.3.2 PageRank算法 523.4 相似性計算方法 533.4.1 基于拓撲結構的相似性 533.4.2 基于序列的相似性 543.4.3 基于表達數據的相似性 543.4.4 基于語義本體的相似性 553.4.5 基于關聯關系的相似性 573.4.6 基于分子結構的相似性 603.4.7 基于網絡傳播的相似性 603.5 小結 61參考文獻 62第4章 智能優化算法 644.1 引言 644.2 粒子群優化算法 644.2.1 粒子群優化算法仿生原理 644.2.2 基本粒子群優化算法描述 654.2.3 基本粒子群優化算法步驟 664.3 人工魚群算法 664.3.1 人工魚群算法仿生原理 664.3.2 人工魚群算法描述 674.3.3 人工魚群算法步驟 684.4 人工蜂群算法 684.4.1 人工蜂群算法仿生原理 684.4.2 人工蜂群算法描述 694.4.3 人工蜂群算法步驟 704.5 螢火蟲算法 714.5.1 螢火蟲算法仿生原理 714.5.2 螢火蟲算法描述 714.5.3 螢火蟲算法步驟 724.6 布谷鳥搜索算法 724.6.1 布谷鳥搜索算法仿生原理 724.6.2 布谷鳥搜索算法描述 744.6.3 布谷鳥搜索算法步驟 754.7 果蠅優化算法 754.7.1 果蠅優化算法仿生原理 754.7.2 果蠅優化算法描述 754.7.3 果蠅優化算法步驟 764.8 花授粉算法 774.8.1 花授粉算法仿生原理 774.8.2 花授粉算法描述 774.8.3 花授粉算法步驟 774.9 鴿群優化算法 784.9.1 鴿群優化算法仿生原理 784.9.2 鴿群優化算法描述 794.9.3 鴿群優化算法步驟 804.10 小結 80參考文獻 81第5章 機器學習 855.1 引言 855.2 邏輯回歸 865.2.1 邏輯回歸原理 865.2.2 模型求解 875.3 支持向量機 885.3.1 支持向量機算法原理 885.3.2 核函數 895.4 決策樹和隨機森林 905.4.1 決策樹 915.4.2 隨機森林 925.5 神經網絡 935.5.1 單層神經網絡 945.5.2 多層神經網絡 955.5.3 激活函數 965.6 基于劃分的聚類算法 975.6.1 k-Means聚類算法 975.6.2 k-中心點聚類算法 995.7 基于密度的聚類算法 995.7.1 DBSCAN算法 995.7.2 OPTICS算法 1015.8 基于層次的聚類算法 1025.8.1 BIRCH算法 1025.8.2 變色龍聚類算法 1035.9 馬爾可夫聚類算法 1045.10 評價指標 1065.10.1 數值評價指標 1075.10.2 圖形評價指標 1095.10.3 交叉驗證 1095.11 小結 110參考文獻 110第6章 深度學習 1126.1 引言 1126.2 卷積神經網絡 1136.2.1 卷積的概念 1146.2.2 卷積神經網絡的基本結構 1156.2.3 卷積神經網絡的求解 1166.3 循環神經網絡 1176.3.1 循環神經網絡的基本模型 1186.3.2 長短期記憶網絡 1186.3.3 門控循環單元 1196.4 自編碼器 1206.4.1 自編碼器原理 1216.4.2 深度自編碼器 1216.4.3 圖自編碼器 1226.5 圖神經網絡 1236.5.1 圖神經網絡原理 1236.5.2 圖神經網絡分類 1246.6 圖卷積網絡 1266.6.1 圖卷積網絡原理 1266.6.2 圖卷積網絡的理解 1276.7 圖注意力網絡 1286.7.1 注意力機制 1296.7.2 圖注意力網絡模型 1306.8 Word2vec詞嵌入算法 1316.8.1 詞嵌入 1326.8.2 連續詞袋模型 1326.8.3 跳字模型 1326.9 小結 133參考文獻 134第7章 PPI網絡及蛋白質復合物挖掘方法 1367.1 引言 1367.2 蛋白質復合物 1367.2.1 蛋白質復合物作用 1367.2.2 蛋白質復合物結構 1377.3 基于群智能優化的蛋白質復合物挖掘 1397.3.1 基于布谷鳥優化算法的蛋白質復合物挖掘 1397.3.2 基于果蠅優化算法的蛋白質復合物挖掘 1447.3.3 基于螢火蟲優化算法的蛋白質復合物挖掘 1487.4 基于網絡拓撲結構的蛋白質復合物挖掘 1537.4.1 TP-WDPIN算法原理 1537.4.2 TP-WDPIN算法流程 1557.4.3 實驗結果與分析 1567.5 基于密度聚類算法的蛋白質復合物挖掘 1597.5.1 基于DBSCAN算法的蛋白質復合物挖掘 1597.5.2 基于OPTICS算法的蛋白質復合物挖掘 1627.6 基于馬爾可夫聚類算法的蛋白質復合物挖掘 1657.6.1 F-MCL算法原理 1657.6.2 F-MCL算法流程 1667.6.3 實驗結果與分析 1677.7 基于商空間的蛋白質復合物挖掘 1677.7.1 ONCQS算法原理 1687.7.2 ONCQS算法流程 1717.7.3 實驗結果與分析 1727.8 小結 174參考文獻 175第8章 關鍵蛋白質識別方法 1788.1 引言 1788.2 基于多源異構數據融合的關鍵蛋白質識別 1788.2.1 多源異構數據介紹 1808.2.2 基于基因表達、亞細胞定位和PPI數據的關鍵蛋白質識別 1818.3 基于二階鄰域與信息熵的關鍵蛋白質識別 1848.3.1 NIE算法原理 1858.3.2 NIE算法流程 1878.3.3 實驗結果與分析 1888.4 基于人工魚群算法的關鍵蛋白質識別 1908.4.1 AFSO_EP算法原理 1908.4.2 AFSO_EP算法流程 1938.4.3 實驗結果與分析 1938.5 基于花授粉算法的關鍵蛋白質識別 1958.5.1 FPE算法原理 1968.5.2 FPE算法流程 1988.5.3 實驗結果與分析 1988.6 小結 201參考文獻 201第9章 疾病基因預測 2049.1 引言 2049.2 基于二步隨機游走算法的癌癥基因預測 2049.2.1 構建異構網絡 2059.2.2 TRWR-MB算法預測 2059.2.3 實驗結果與分析 2089.3 基于邏輯回歸算法的疾病基因預測 2099.3.1 網絡重構 2099.3.2 LR-RPN算法預測 2119.3.3 實驗結果與分析 2139.4 基于鴿群優化算法的疾病基因預測 2159.4.1 問題定義與描述 2159.4.2 PDG-PIO算法預測 2179.4.3 實驗結果與分析 2189.5 基于網絡信息損失模型的疾病基因預測 2219.5.1 網絡信息損失模型 2219.5.2 異構網絡傳播算法 2239.5.3 InLPCH算法預測 2249.5.4 實驗結果與分析 2259.6 小結 230參考文獻 230第10章 非編碼RNA與疾病關聯關系預測 23310.1 引言 23310.2 基于變分自編碼器的miRNA與疾病關聯關系預測 23310.2.1 基于VGAE的非線性特征表示 23310.2.2 基于非負矩陣分解的線性特征表示 23510.2.3 VGAMF算法預測 23510.2.4 實驗結果與分析 23510.3 基于矩陣分解的lncRNA與疾病關聯關系預測 23710.3.1 非負矩陣分解算法 23710.3.2 TDNMF算法預測 23810.3.3 實驗結果與分析 23910.4 基于卷積神經網絡的circRNA與疾病關聯關系預測 24210.4.1 相似性特征融合 24310.4.2 MSFCNN算法預測 24510.4.3 實驗結果與分析 24710.5 基于圖注意力網絡的circRNA與疾病關聯關系預測 24810.5.1 相似性融合 24810.5.2 GATCDA算法預測 249
展開全部
書友推薦
- >
推拿
- >
龍榆生：詞曲概論/大家小書
- >
羅庸西南聯大授課錄
- >
詩經-先民的歌唱
- >
山海經
- >
【精裝繪本】畫給孩子的中國神話
- >
自卑與超越
- >
姑媽的寶刀
本類暢銷
