你将跟随设计一个将物理、化学、生物学和医学联系在一起的新疗法问题的案例研究，该案例代表了科学研究中的一个拥有挑战性的问题。通过本书，你将学到：学习在分子数据上执行机器学习的基础知识。理解为什么深度学习是研究遗传学和基因组学的有力工具。应用深度学习理解生物物理系统。通过DeepChem获得机器学习的简单认识。使用深度学习分析显微图像。使用深度学习技术分析医学扫描图像。了解变分自编码器和生成对抗网络。解释你的模型在做什么以及它是如何工作的。

Bharath Ramsundar是Computable的联合创始人和首席技术官。Peter Eastman在Stanford University开发了计算化学和生物学方面的软件。 Patrick Walters是Relay Therapeutics公司计算与信息学小组的负责人。Vijay Pande是Andreessen Horowitz公司的合伙人。

目录前言 1 章 为什么是生命科学？ 7为什么是深度学习？ 7当代生命科学是关于数据的 8你能学到什么？ 9第2 章 深度学习概论 15线性模型 16多层感知器 18训练模型 22验证 24正则化 25超参数优化 26其他类型的模型 28卷积神经网络 28递归神经网络 29延伸阅读 31第3 章 基于DeepChem 的机器学习 33DeepChem 数据集 34训练一个预测分子毒性的模型 36案例研究：训练MNIST 模型 44MNIST 数字识别数据集 45MNIST 的卷积结构 46softmax 和SoftMaxCrossEntropy 50结论 51第4 章 分子的机器学习 53什么是分子？ 54什么是分子键？ 56分子图 58分子构型 59分子的手性60分子的特征表示 62SMILES 字符串和RDKit 62扩展– 连接指纹 62分子描述符63图卷积 64训练一个模型来预测溶解度 65MoleculeNet 67SMARTS 字符串 67结论 70第5 章 生物物理的机器学习 71蛋白质结构 73蛋白质序列75不能用计算方法预测3D 蛋白质结构吗？ 77蛋白质结合简介 78生物物理数据的特征化 79网格特征化80原子特征化84PDBBind 案例研究 85PDBBind 数据集 85特征化PDBBind 数据集 89结论 93第6 章 基因组学的深度学习 97DNA、RNA 和蛋白质 98现在是现实世界 100转录因子的结合 102一个用于TF 结合的卷积模型 103染色质可接近性 106RNA 干扰 109结论 112第7 章 显微镜检查的机器学习 115显微学简介 117现代光学显微技术 118衍射极限 120电子和原子力显微技术 122超分辨显微技术 124深度学习和衍射极限? 126制备生物显微镜样本 126染色 126样本固定 128切片样本 128荧光显微技术 129样本制备工件 131深度学习应用 132细胞计数 132什么是细胞系？ 132细胞分割 136计算分析 141结论 141第8 章 医学领域的深度学习 143计算机辅助诊断 143贝叶斯网络的概率诊断 145电子健康记录数据 146ICD-10 编码 147那么无监督学习呢？ 148患者EHR 大型数据库存在危险吗？ 149用于放射学的深度学习 150x 线扫描和CT 扫描 153组织学 155核磁共振扫描 156学习模型作为一种治疗方法 157糖尿病视网膜病变 158结论 162道德考虑 162失业 163小结 164第9 章 生成模型 165变分自编码 165生成对抗网络 167生成模型在生命科学中的应用 169为先导化合物提供新思路 169蛋白质的设计 170用于科学发现的工具 170生成建模的未来 170使用生成模型 171分析生成模型的输出 173结论 1760 章 深层模型的解释 179解释预测 180优化输入 183预测的不确定性 187可解释性、可扩展性和实际后果 191结论 1921 章 虚拟筛选工作流示例 193为预测建模准备数据集 194训练预测模型 201为模型预测准备数据集 207应用预测模型 211结论 2192 章 前景和展望 221医学诊断 221个性化医疗 223药物研发 225生物学研究 226结论 228