![]()
内容推荐 本书以人工智能方法和生物组学数据分析为主线,阐述了人工智能中的群智能优化、机器学习、深度学习等算法的基本原理,并探讨了如何将这些算法应用于生物信息学相关问题的研究中,如蛋白质复合物挖掘、关键蛋白质识别、疾病基因预测、多种组学(转录组学、代谢组学、微生物组学)数据与疾病的关联关系预测、circRNA-RBP结合位点预测、RNA甲基化位点预测以及药物发现等。本书系统收集整理了生物组学相关数据库,另结合应用问题,从人工智能算法设计到具体流程计算,再到结果分析,均给出了详细步骤,以上均是本书的特色所在。 本书适合人工智能、计算机科学、生物信息学、生命科学、生物统计、生物化学以及其他交叉学科专业的高年级本科生及研究生学习,也可供其他理工科专业研究人员、程序开发人员和生物信息计算爱好者参考。 目录 序 前言 第1章 绪论 1.1 引言 1.2 人工智能 1.2.1 人工智能的发展历史 1.2.2 人工智能的发展现状 1.3 大数据时代下的生物信息学 1.3.1 生物信息学 1.3.2 组学大数据的诞生 1.3.3 组学数据的类型与特点 1.3.4 多组学数据融合研究 1.4 人工智能在生物信息领域中的应用 1.4.1 人工智能与生物医药 1.4.2 人工智能在多组学数据分析中的应用 1.5 章节安排 1.6 小结 参考文献 第2章 生物多组学知识与数据库介绍 2.1 引言 2.2 组学基础知识 2.2.1 基因组学 2.2.2 蛋白质组学 2.2.3 转录组学 2.2.4 代谢组学 2.2.5 微生物组学 2.2.6 表观遗传组学 2.2.7 单细胞组学 2.2.8 时空组学 2.3 生物数据资源 2.3.1 生物信息学常用数据库 2.3.2 基因数据资源与常用工具 2.3.3 蛋白质数据资源 2.3.4 非编码RNA数据库 2.3.5 代谢物数据资源 2.3.6 微生物数据库 2.3.7 表观遗传组学数据库 2.3.8 单细胞组学数据库 2.3.9 时空组学数据库 2.3.10 疾病及疾病靶点数据库 2.3.11 药物数据库 2.4 小结 参考文献 第3章 生物网络特性与相似性 3.1 引言 3.2 生物网络概述 3.2.1 生物网络的构建 3.2.2 二分网络和异构网络 3.3 生物网络结点的度量方法 3.3.1 中心性度量方法 3.3.2 PageRank算法 3.4 相似性计算方法 3.4.1 基于拓扑结构的相似性 3.4.2 基于序列的相似性 3.4.3 基于表达数据的相似性 3.4.4 基于语义本体的相似性 3.4.5 基于关联关系的相似性 3.4.6 基于分子结构的相似性 3.4.7 基于网络传播的相似性 3.5 小结 参考文献 第4章 智能优化算法 4.1 引言 4.2 粒子群优化算法 4.2.1 粒子群优化算法仿生原理 4.2.2 基本粒子群优化算法描述 4.2.3 基本粒子群优化算法步骤 4.3 人工鱼群算法 4.3.1 人工鱼群算法仿生原理 4.3.2 人工鱼群算法描述 4.3.3 人工鱼群算法步骤 4.4 人工蜂群算法 4.4.1 人工蜂群算法仿生原理 4.4.2 人工蜂群算法描述 4.4.3 人工蜂群算法步骤 4.5 萤火虫算法 4.5.1 萤火虫算法仿生原理 4.5.2 萤火虫算法描述 4.5.3 萤火虫算法步骤 4.6 布谷鸟搜索算法 4.6.1 布谷鸟搜索算法仿生原理 4.6.2 布谷鸟搜索算法描述 4.6.3 布谷鸟搜索算法步骤 4.7 果蝇优化算法 4.7.1 果蝇优化算法仿生原理 4.7.2 果蝇优化算法描述 4.7.3 果蝇优化算法步骤 4.8 花授粉算法 4.8.1 花授粉算法仿生原理 4.8.2 花授粉算法描述 4.8.3 花授粉算法步骤 4.9 鸽群优化算法 4.9.1 鸽群优化算法仿生原理 4.9.2 鸽群优化算法描述 4.9.3 鸽群优化算法步骤 4.10 小结 参考文献 第5章 机器学习 5.1 引言 5.2 逻辑回归 5.2.1 逻辑回归原理 5.2.2 模型求解 5.3 支持向量机 5.3.1 支持向量机算法原理 5.3.2 核函数 5.4 决策树和随机森林 5.4.1 决策树 5.4.2 随机森林 5.5 神经网络 5.5.1 单层神经网络 5.5.2 多层神经网络 5.5.3 激活函数 5.6 基于划分的聚类算法 5.6.1 k-Means聚类算法 5.6.2 k-中心点聚类算法 5.7 基于密度的聚类算法 5.7.1 DBSCAN算法 5.7.2 OPTICS算法 5.8 基于层次的聚类算法 5.8.1 BIRCH算法 5.8.2 变色龙聚类算法 5.9 马尔可夫聚类算法 5.10 评价指标 5.10.1 数值评价指标 5.10.2 图形评价指标 5.10.3 交叉验证 5.11 小结 参考文献 第6章 深度学习 6.1 引言 6.2 卷积神经网络 6.2.1 卷积的概念 6.2.2 卷积神经网络的基本结构 6.2.3 卷积神经网络的求解 6.3 循环神经网络 6.3.1 循环神经网络的基本模型 6.3.2 长短期记忆网络 6.3.3 门控循环单元 6.4 自编码器 6.4.1 自编码器原理 6.4.2 深度自编码器 6.4.3 图自编码器 6.5 图神经网络 6.5.1 图神经网络原理 6.5.2 图神经网络分类 6.6 图卷积网络 6.6.1 图卷积网络原理 6.6.2 图卷积网络的理解 6.7 图注意力网络 6.7.1 注意力机制 6.7.2 图注意力网络模型 6.8 Word2vec词嵌入算法 6.8.1 词嵌入 6.8.2 连续词袋模型 6.8.3 跳字模型 6.9 小结 参考文献 第7章 PPI网络及蛋白质复合物挖掘方法 7.1 引言 7.2 蛋白质复合物 7.2.1 蛋白质复合物作用 7.2.2 蛋白质复合物结构 7.3 基于群智能优化的蛋 |