人工智能驱动的组学挖掘是数据驱动的生物医学研究的支撑技术。组学测序技术逐步向多尺度、跨模态、有扰动等方向发展，但体现出的高维度、高噪声、多模态、标记稀缺等特点，成为制约其有效挖掘的瓶颈。本书面向生命组学数据特点，较为系统和深入地对组学机器学习的主要研究范式、适用场景、分析方法、理论思想进行介绍。结合相应组学挖掘的具体研究案例，向读者展示组学人工智能驱动的生命健康交叉研究的绚烂图景。
本书适合生命科学、医学、生物信息学、计算机和信息科学等相关交叉专业的高年级本科生、研究生，以及人工智能领域的科研人员和产业人员参考使用。

第一部分 组学机器学习导论
第1章 组学机器学习概述
1.1 组学概述
1.2 组学机器学习
1.3 本章小结
参考文献
第二部分 组学的表征学习
第2章 组学的表征——度量
2.1 度量学习
2.2 案例一：基于参考单细胞转录组进行细胞类型识别的度量学习
2.3 案例二：整合多个参考单细胞组进行细胞类型识别的度量学习
2.4 案例三：药物基因组的度量学习
2.5 本章小结
参考文献
第3章 组学的表征——嵌入
3.1 嵌入
3.2 案例：CRISPR功能基因组的嵌入学习
3.3 本章小结
参考文献
第4章 组学的表征——多模态整合
4.1 多模态整合
4.2 案例：单细胞RNA-seq和单细胞ATAC-seq多模态整合
4.3 本章小结
参考文献
第三部分 组学的弱监督学习
第5章 组学的不完备监督——半监督学习
5.1 半监督学习
5.2 案例：抗癌药物组合预测的半监督学习
5.3 本章小结
参考文献
第6章 组学的不完备监督——迁移学习
6.1 迁移学习
6.2 案例一：基因编辑系统优化设计的迁移学习
6.3 案例二：药物小分子设计的迁移学习
6.4 本章小结
参考文献
第7章 组学的不完备监督——元学习
7.1 元学习
7.2 案例：抗原-TCR识别的元学习
7.3 本章小结
参考文献
第8章 组学的不完备监督——主动学习
8.1 主动学习
8.2 案例：基于主动学习的化学反应定量建模
8.3 本章小结
参考文献
第四部分 组学的隐私计算
第9章 组学的隐私保护——联邦学习
9.1 联邦学习
9.2 案例一：药物小分子定量构效关系建模的联邦学习
9.3 案例二：单细胞组学整合的联邦学习
9.4 本章小结
参考文献
总结与展望
术语表