书籍详情
深度学习在生物信息学中的研究与应用
作者：周维，罗静
出版社：科学出版社
出版时间：2022-10-01
ISBN：9787030720245
定价：¥109.00
购买这本书可以去
内容简介
《深度学习在生物信息学中的研究与应用》基于长期的教学实践以及同国内学者的交流合作编写完成，系统介绍了深度学习在生物信息学中的基本概念与应用模式。《深度学习在生物信息学中的研究与应用》共分为8章。内容涵盖深度学习与生命科学的内在联系，深度学习的主要计算框架， 深度学习在生物图像、语音、序列等重要生物数据上的应用。《深度学习在生物信息学中的研究与应用》最大的特点是理论与实践相结合，通过示例分析的形式降低了读者的学习难度，避免了理论学习的枯燥性。《深度学习在生物信息学中的研究与应用》的部分案例直接选自生物信息研究中的实例，这使得《深度学习在生物信息学中的研究与应用》更具有实战性。
作者简介
暂缺《深度学习在生物信息学中的研究与应用》作者简介
目录
目录
第1章 绪论 1
1.1 什么是生物信息学 1
1.2 生命科学与人工智能(深度学习)相关大记事 1
1.3 神经网络(深度学习)与生命科学的内在联系 2
1.4 深度学习在生物信息学中的主要应用 4
1.5 生物信息学杂志 6
第2章 深度学习中张量对数据建模 7
2.1 概念 7
2.1.1 传统数据建模方法 7
2.1.2 张量的引入 8
2.1.3 张量的运算 10
2.2 数据建模方法 11
2.2.1 图片的张量表示 11
2.2.2 张量对时空数据建模 12
2.3 张量分解 13
2.3.1 矩阵乘法的扩展 13
2.3.2 CP分解 14
第3章 深度学习框架 16
3.1 主流深度学习框架 16
3.1.1 五大主流框架简介 16
3.1.2 五大主流工具比较 18
3.2 TensorFlow深度学习框架介绍 20
3.2.1 TensorFlow的背景 20
3.2.2 TensorFlow的特点 20
3.2.3 TensorFlow的运行机制 21
3.3 TensorFlow基础实践 23
3.3.1 安装TensorFlow 23
3.3.2 TensorFlow基本概念 24
3.3.3 TensorFlow基本数据结构 25
3.3.4 TensorFlow基本操作 28
3.3.5 深入理解TensorFlow计算图 33
3.3.6 TensorFlow应用 36
3.4 TensorBoard可视化工具 37
3.4.1 TensorBoard介绍 37
3.4.2 数据序列化 38
3.4.3 启动TensorBoard 40
3.4.4 利用TensorBoard调参示例 41
第4章 深度学习在生物图片上的应用 44
4.1 深度学习在脑肿瘤分割中的应用研究 44
4.1.1 脑肿瘤分割概述 44
4.1.2 脑肿瘤分割研究现状 46
4.1.3 脑肿瘤分割模型 47
4.1.4 模型损失函数 48
4.1.5 脑肿瘤分割实验建立 49
4.1.6 结论 53
4.2 卷积神经网络在生物形态学评估中的应用 54
4.2.1 背景介绍 54
4.2.2 实验数据简介 56
4.2.3 Deepfish网络构建 56
4.2.4 Deepfish模型架构 56
4.2.5 Deepfish网络架构 58
4.2.6 实验设置 60
4.2.7 评估和分析 60
4.2.8 Deepfish不同结构实验结果 61
4.2.9 讨论 62
参考文献 63
第5章 深度学习在生物音频数据上的研究 67
5.1 基于声音的性别识别 67
5.1.1 介绍 67
5.1.2 数据预处理 68
5.1.3 模型搭建 72
5.1.4 训练及验证 79
5.1.5 总结 82
5.2 蝙蝠及回声定位 82
5.2.1 蝙蝠及回声定位简介 82
5.2.2 工作可行性及相关意义 83
5.2.3 相关工作 84
5.2.4 工作流程 85
5.2.5 模型设计 92
5.2.6 实验 93
5.2.7 结论 96
参考文献 97
第6章 机器学习在蛋白质功能预测中的应用 99
6.1 概率主题模型概述 99
6.1.1 主题建模原理 100
6.1.2 主题模型研究现状 104
6.1.3 主题模型在生物信息中的应用 106
6.2 蛋白质功能预测 109
6.3 基于多标签监督主题模型的蛋白质功能预测 111
6.3.1 词包构造 111
6.3.2 模型描述 113
6.3.3 学习和推理 115
6.4 深度学习在蛋白质功能预测中的应用 116
6.4.1 蛋白质功能数据集的数据不平衡性 116
6.4.2 层次多标签分类在蛋白质功能预测中的应用 119
6.4.3 递归神经网络在蛋白质功能预测中的研究 119
参考文献 120
第7章 基因序列卷积的一般方法 126
7.1 DeepBind 126
7.1.1 DeepBind背景介绍 126
7.1.2 DeepBind技术实现 126
7.2 DeepCpG 127
7.3 DeepSEA 128
7.3.1 DeepSEA背景介绍 128
7.3.2 DeepSEA技术实现 128
7.4 Basset 129
7.4.1 Basset基础介绍 129
7.4.2 Basset结构介绍 129
7.4.3 Basset实验环境安装 131
7.4.4 Basset代码实现 131
7.5 生物信息中的特征工程 135
7.5.1 特征工程 135
7.5.2 生物信息中的特征工程实现方法 136
7.6 数据可视化分析方法 145
7.6.1 circos可视化介绍与实现 146
7.6.2 曼哈顿图绘制 149
参考文献 150
第8章 生成对抗网络在生物信息学领域中的探索 152
8.1 生成对抗网络 152
8.1.1 生成对抗网络的基本介绍 152
8.1.2 生成对抗网络的基本概念 152
8.1.3 生成对抗网络理论 153
8.2 生成对抗网络的应用 155
8.3 生成对抗网络对生物信息学的意义 156
8.4 生成对抗网络在医学图像上的探索 157
8.5 本章小结 158
参考文献 159
第1章 绪论 1
1.1 什么是生物信息学 1
1.2 生命科学与人工智能(深度学习)相关大记事 1
1.3 神经网络(深度学习)与生命科学的内在联系 2
1.4 深度学习在生物信息学中的主要应用 4
1.5 生物信息学杂志 6
第2章 深度学习中张量对数据建模 7
2.1 概念 7
2.1.1 传统数据建模方法 7
2.1.2 张量的引入 8
2.1.3 张量的运算 10
2.2 数据建模方法 11
2.2.1 图片的张量表示 11
2.2.2 张量对时空数据建模 12
2.3 张量分解 13
2.3.1 矩阵乘法的扩展 13
2.3.2 CP分解 14
第3章 深度学习框架 16
3.1 主流深度学习框架 16
3.1.1 五大主流框架简介 16
3.1.2 五大主流工具比较 18
3.2 TensorFlow深度学习框架介绍 20
3.2.1 TensorFlow的背景 20
3.2.2 TensorFlow的特点 20
3.2.3 TensorFlow的运行机制 21
3.3 TensorFlow基础实践 23
3.3.1 安装TensorFlow 23
3.3.2 TensorFlow基本概念 24
3.3.3 TensorFlow基本数据结构 25
3.3.4 TensorFlow基本操作 28
3.3.5 深入理解TensorFlow计算图 33
3.3.6 TensorFlow应用 36
3.4 TensorBoard可视化工具 37
3.4.1 TensorBoard介绍 37
3.4.2 数据序列化 38
3.4.3 启动TensorBoard 40
3.4.4 利用TensorBoard调参示例 41
第4章 深度学习在生物图片上的应用 44
4.1 深度学习在脑肿瘤分割中的应用研究 44
4.1.1 脑肿瘤分割概述 44
4.1.2 脑肿瘤分割研究现状 46
4.1.3 脑肿瘤分割模型 47
4.1.4 模型损失函数 48
4.1.5 脑肿瘤分割实验建立 49
4.1.6 结论 53
4.2 卷积神经网络在生物形态学评估中的应用 54
4.2.1 背景介绍 54
4.2.2 实验数据简介 56
4.2.3 Deepfish网络构建 56
4.2.4 Deepfish模型架构 56
4.2.5 Deepfish网络架构 58
4.2.6 实验设置 60
4.2.7 评估和分析 60
4.2.8 Deepfish不同结构实验结果 61
4.2.9 讨论 62
参考文献 63
第5章 深度学习在生物音频数据上的研究 67
5.1 基于声音的性别识别 67
5.1.1 介绍 67
5.1.2 数据预处理 68
5.1.3 模型搭建 72
5.1.4 训练及验证 79
5.1.5 总结 82
5.2 蝙蝠及回声定位 82
5.2.1 蝙蝠及回声定位简介 82
5.2.2 工作可行性及相关意义 83
5.2.3 相关工作 84
5.2.4 工作流程 85
5.2.5 模型设计 92
5.2.6 实验 93
5.2.7 结论 96
参考文献 97
第6章 机器学习在蛋白质功能预测中的应用 99
6.1 概率主题模型概述 99
6.1.1 主题建模原理 100
6.1.2 主题模型研究现状 104
6.1.3 主题模型在生物信息中的应用 106
6.2 蛋白质功能预测 109
6.3 基于多标签监督主题模型的蛋白质功能预测 111
6.3.1 词包构造 111
6.3.2 模型描述 113
6.3.3 学习和推理 115
6.4 深度学习在蛋白质功能预测中的应用 116
6.4.1 蛋白质功能数据集的数据不平衡性 116
6.4.2 层次多标签分类在蛋白质功能预测中的应用 119
6.4.3 递归神经网络在蛋白质功能预测中的研究 119
参考文献 120
第7章 基因序列卷积的一般方法 126
7.1 DeepBind 126
7.1.1 DeepBind背景介绍 126
7.1.2 DeepBind技术实现 126
7.2 DeepCpG 127
7.3 DeepSEA 128
7.3.1 DeepSEA背景介绍 128
7.3.2 DeepSEA技术实现 128
7.4 Basset 129
7.4.1 Basset基础介绍 129
7.4.2 Basset结构介绍 129
7.4.3 Basset实验环境安装 131
7.4.4 Basset代码实现 131
7.5 生物信息中的特征工程 135
7.5.1 特征工程 135
7.5.2 生物信息中的特征工程实现方法 136
7.6 数据可视化分析方法 145
7.6.1 circos可视化介绍与实现 146
7.6.2 曼哈顿图绘制 149
参考文献 150
第8章 生成对抗网络在生物信息学领域中的探索 152
8.1 生成对抗网络 152
8.1.1 生成对抗网络的基本介绍 152
8.1.2 生成对抗网络的基本概念 152
8.1.3 生成对抗网络理论 153
8.2 生成对抗网络的应用 155
8.3 生成对抗网络对生物信息学的意义 156
8.4 生成对抗网络在医学图像上的探索 157
8.5 本章小结 158
参考文献 159
猜您喜欢
