幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

人工智慧在生物信息學中的應用

  • 作者：雷秀娟//潘毅|責編:趙艷春//高慧元
  • 出版社：科學
  • ISBN：9787030765482
  • 出版日期：2023/10/01
  • 裝幀：平裝
  • 頁數：443
人民幣：RMB 198 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書以人工智慧方法和生物組學數據分析為主線，闡述了人工智慧中的群智能優化、機器學習、深度學習等演算法的基本原理，並探討了如何將這些演算法應用於生物信息學相關問題的研究中，如蛋白質複合物挖掘、關鍵蛋白質識別、疾病基因預測、多種組學（轉錄組學、代謝組學、微生物組學)數據與疾病的關聯關係預測、circRNA-RBP結合位點預測、RNA甲基化位點預測以及藥物發現等。本書系統收集整理了生物組學相關資料庫，另結合應用問題，從人工智慧演算法設計到具體流程計算，再到結果分析，均給出了詳細步驟，以上均是本書的特色所在。
    本書適合人工智慧、電腦科學、生物信息學、生命科學、生物統計、生物化學以及其他交叉學科專業的高年級本科生及研究生學習，也可供其他理工科專業研究人員、程序開發人員和生物信息計算愛好者參考。
作者介紹
雷秀娟//潘毅|責編:趙艷春//高慧元
目錄
序
前言
第1章  緒論
  1.1  引言
  1.2  人工智慧
    1.2.1  人工智慧的發展歷史
    1.2.2  人工智慧的發展現狀
  1.3  大數據時代下的生物信息學
    1.3.1  生物信息學
    1.3.2  組學大數據的誕生
    1.3.3  組學數據的類型與特點
    1.3.4  多組學數據融合研究
  1.4  人工智慧在生物信息領域中的應用
    1.4.1  人工智慧與生物醫藥
    1.4.2  人工智慧在多組學數據分析中的應用
  1.5  章節安排
  1.6  小結
  參考文獻
第2章  生物多組學知識與資料庫介紹
  2.1  引言
  2.2  組學基礎知識
    2.2.1  基因組學
    2.2.2  蛋白質組學
    2.2.3  轉錄組學
    2.2.4  代謝組學
    2.2.5  微生物組學
    2.2.6  表觀遺傳組學
    2.2.7  單細胞組學
    2.2.8  時空組學
  2.3  生物數據資源
    2.3.1  生物信息學常用資料庫
    2.3.2  基因數據資源與常用工具
    2.3.3  蛋白質數據資源
    2.3.4  非編碼RNA資料庫
    2.3.5  代謝物數據資源
    2.3.6  微生物資料庫
    2.3.7  表觀遺傳組學資料庫
    2.3.8  單細胞組學資料庫
    2.3.9  時空組學資料庫
    2.3.10  疾病及疾病靶點資料庫
    2.3.11  藥物資料庫
  2.4  小結
  參考文獻
第3章  生物網路特性與相似性
  3.1  引言
  3.2  生物網路概述
    3.2.1  生物網路的構建
    3.2.2  二分網路和異構網路
  3.3  生物網路結點的度量方法
    3.3.1  中心性度量方法

    3.3.2  PageRank演算法
  3.4  相似性計算方法
    3.4.1  基於拓撲結構的相似性
    3.4.2  基於序列的相似性
    3.4.3  基於表達數據的相似性
    3.4.4  基於語義本體的相似性
    3.4.5  基於關聯關係的相似性
    3.4.6  基於分子結構的相似性
    3.4.7  基於網路傳播的相似性
  3.5  小結
  參考文獻
第4章  智能優化演算法
  4.1  引言
  4.2  粒子群優化演算法
    4.2.1  粒子群優化演算法仿生原理
    4.2.2  基本粒子群優化演算法描述
    4.2.3  基本粒子群優化演算法步驟
  4.3  人工魚群演算法
    4.3.1  人工魚群演算法仿生原理
    4.3.2  人工魚群演算法描述
    4.3.3  人工魚群演算法步驟
  4.4  人工蜂群演算法
    4.4.1  人工蜂群演算法仿生原理
    4.4.2  人工蜂群演算法描述
    4.4.3  人工蜂群演算法步驟
  4.5  螢火蟲演算法
    4.5.1  螢火蟲演算法仿生原理
    4.5.2  螢火蟲演算法描述
    4.5.3  螢火蟲演算法步驟
  4.6  布穀鳥搜索演算法
    4.6.1  布穀鳥搜索演算法仿生原理
    4.6.2  布穀鳥搜索演算法描述
    4.6.3  布穀鳥搜索演算法步驟
  4.7  果蠅優化演算法
    4.7.1  果蠅優化演算法仿生原理
    4.7.2  果蠅優化演算法描述
    4.7.3  果蠅優化演算法步驟
  4.8  花授粉演算法
    4.8.1  花授粉演算法仿生原理
    4.8.2  花授粉演算法描述
    4.8.3  花授粉演算法步驟
  4.9  鴿群優化演算法
    4.9.1  鴿群優化演算法仿生原理
    4.9.2  鴿群優化演算法描述
    4.9.3  鴿群優化演算法步驟
  4.10  小結
  參考文獻
第5章  機器學習
  5.1  引言
  5.2  邏輯回歸

    5.2.1  邏輯回歸原理
    5.2.2  模型求解
  5.3  支持向量機
    5.3.1  支持向量機演算法原理
    5.3.2  核函數
  5.4  決策樹和隨機森林
    5.4.1  決策樹
    5.4.2  隨機森林
  5.5  神經網路
    5.5.1  單層神經網路
    5.5.2  多層神經網路
    5.5.3  激活函數
  5.6  基於劃分的聚類演算法
    5.6.1  k-Means聚類演算法
    5.6.2  k-中心點聚類演算法
  5.7  基於密度的聚類演算法
    5.7.1  DBSCAN演算法
    5.7.2  OPTICS演算法
  5.8  基於層次的聚類演算法
    5.8.1  BIRCH演算法
    5.8.2  變色龍聚類演算法
  5.9  馬爾可夫聚類演算法
  5.10  評價指標
    5.10.1  數值評價指標
    5.10.2  圖形評價指標
    5.10.3  交叉驗證
  5.11  小結
  參考文獻
第6章  深度學習
  6.1  引言
  6.2  卷積神經網路
    6.2.1  卷積的概念
    6.2.2  卷積神經網路的基本結構
    6.2.3  卷積神經網路的求解
  6.3  循環神經網路
    6.3.1  循環神經網路的基本模型
    6.3.2  長短期記憶網路
    6.3.3  門控循環單元
  6.4  自編碼器
    6.4.1  自編碼器原理
    6.4.2  深度自編碼器
    6.4.3  圖自編碼器
  6.5  圖神經網路
    6.5.1  圖神經網路原理
    6.5.2  圖神經網路分類
  6.6  圖卷積網路
    6.6.1  圖卷積網路原理
    6.6.2  圖卷積網路的理解
  6.7  圖注意力網路
    6.7.1  注意力機制

    6.7.2  圖注意力網路模型
  6.8  Word2vec詞嵌入演算法
    6.8.1  詞嵌入
    6.8.2  連續詞袋模型
    6.8.3  跳字模型
  6.9  小結
  參考文獻
第7章  PPI網路及蛋白質複合物挖掘方法
  7.1  引言
  7.2  蛋白質複合物
    7.2.1  蛋白質複合物作用
    7.2.2  蛋白質複合物結構
  7.3  基於群智能優化的蛋白質複合物挖掘
    7.3.1  基於布穀鳥優化演算法的蛋白質複合物挖掘
    7.3.2  基於果蠅優化演算法的蛋白質複合物挖掘
    7.3.3  基於螢火蟲優化演算法的蛋白質複合物挖掘
  7.4  基於網路拓撲結構的蛋白質複合物挖掘
    7.4.1  TP-WDPIN演算法原理
    7.4.2  TP-WDPIN演算法流程
    7.4.3  實驗結果與分析
  7.5  基於密度聚類演算法的蛋白質複合物挖掘
    7.5.1  基於DBSCAN演算法的蛋白質複合物挖掘
    7.5.2  基於OPTICS演算法的蛋白質複合物挖掘
  7.6  基於馬爾可夫聚類演算法的蛋白質複合物挖掘
    7.6.1  F-MCL演算法原理
    7.6.2  F-MCL演算法流程
    7.6.3  實驗結果與分析
  7.7  基於商空間的蛋白質複合物挖掘
    7.7.1  ONCQS演算法原理
    7.7.2  ONCQS演算法流程
    7.7.3  實驗結果與分析
  7.8  小結
  參考文獻
第8章  關鍵蛋白質識別方法
  8.1  引言
  8.2  基於多源異構數據融合的關鍵蛋白質識別
    8.2.1  多源異構數據介紹
    8.2.2  基於基因表達、亞細胞定位和PPI數據的關鍵蛋白質識別
  8.3  基於二階鄰域與信息熵的關鍵蛋白質識別
    8.3.1  NIE演算法原理
    8.3.2  NIE演算法流程
    8.3.3  實驗結果與分析
  8.4  基於人工魚群演算法的關鍵蛋白質識別
    8.4.1  AFSO_EP演算法原理
    8.4.2  AFSO_EP演算法流程
    8.4.3  實驗結果與分析
  8.5  基於花授粉演算法的關鍵蛋白質識別
    8.5.1  FPE演算法原理
    8.5.2  FPE演算法流程
    8.5.3  實驗結果與分析

  8.6  小結
  參考文獻
第9章  疾病基因預測
  9.1  引言
  9.2  基於二步隨機遊走演算法的癌症基因預測
    9.2.1  構建異構網路
    9.2.2  TRWR-MB演算法預測
    9.2.3  實驗結果與分析
  9.3  基於邏輯回歸演算法的疾病基因預測
    9.3.1  網路重構
    9.3.2  LR-RPN演算法預測
    9.3.3  實驗結果與分析
  9.4  基於鴿群優化演算法的疾病基因預測
    9.4.1  問題定義與描述
    9.4.2  PDG-PIO演算法預測
    9.4.3  實驗結果與分析
  9.5  基於網路信息損失模型的疾病基因預測
    9.5.1  網路信息損失模型
    9.5.2  異構網路傳播演算法
    9.5.3  InLPCH演算法預測
    9.5.4  實驗結果與分析
  9.6  小結
  參考文獻
第10章  非編碼RNA與疾病關聯關係預測
  10.1  引言
  10.2  基於變分自編碼器的miRNA與疾病關聯關係預測
    10.2.1  基於VGAE的非線性特徵表示
    10.2.2  基於非負矩陣分解的線性特徵表示
    10.2.3  VGAMF演算法預測
    10.2.4  實驗結果與分析
  10.3  基於矩陣分解的lncRNA與疾病關聯關係預測
    10.3.1  非負矩陣分解演算法
    10.3.2  TDNMF演算法預測
    10.3.3  實驗結果與分析
  10.4  基於卷積神經網路的circRNA與疾病關聯關係預測
    10.4.1  相似性特徵融合
    10.4.2  MSFCNN演算法預測
    10.4.3  實驗結果與分析
  10.5  基於圖注意力網路的circRNA與疾病關聯關係預測
    10.5.1  相似性融合
    10.5.2  GATCDA演算法預測
    10.5.3  實驗結果與分析
  10.6  基於圖嵌入方法的circRNA與疾病關聯關係預測
    10.6.1  Metapath2vec++圖嵌入
    10.6.2  PCD-MVMF演算法預測
    10.6.3  實驗結果與分析
  10.7  基於圖因子分解機的circRNA與疾病關聯關係預測
    10.7.1  因子分解機
    10.7.2  ICDGFG演算法預測
    10.7.3  實驗結果與分析

  10.8  小結
  參考文獻
第11章  circRNA-RBP結合位點預測
  11.1  引言
  11.2  基於卷積神經網路的circRNA-RBP結合位點預測
    11.2.1  癌症特異性結合位點序列
    11.2.2  多尺度卷積框架
    11.2.3  CSCRSites演算法預測
    11.2.4  實驗結果與分析
  11.3  基於膠囊網路的circRNA-RBP結合位點預測
    11.3.1  RBP特異性結合位點
    11.3.2  變體膠囊網路框架
    11.3.3  circRB演算法預測
    11.3.4  實驗結果與分析
  11.4  基於循環神經網路的circRNA-RBP結合位點預測
    11.4.1  膀胱癌中差異表達RBP結合位點
    11.4.2  基於LSTM的上下文依賴關係學習
    11.4.3  CRPBsites演算法預測
    11.4.4  實驗結果與分析
  11.5  基於偽孿生神經網路的circRNA-RBP結合位點預測
    11.5.1  疾病相關RBP結合位點與特徵提取
    11.5.2  基於BiLSTM-Attention的特徵學習
    11.5.3  circ-pSBLA演算法預測
    11.5.4  實驗結果與分析
  11.6  小結
  參考文獻
第12章  代謝物與疾病的關聯關係預測
  12.1  引言
  12.2  基於KATZ演算法的代謝物與疾病關聯關係預測
    12.2.1  KATZ演算法
    12.2.2  KATZMDA演算法預測
    12.2.3  實驗結果與分析
  12.3  基於蜂群優化演算法的代謝物與疾病關聯關係預測
    12.3.1  相似性網路和網路一致性投影
    12.3.2  SSABCMDA演算法預測
    12.3.3  實驗結果與分析
  12.4  基於LightGBM的代謝物與疾病關聯關係預測
    12.4.1  輕量級梯度提升樹
    12.4.2  LGBMMDA演算法預測
    12.4.3  實驗結果與分析
  12.5  基於DeepWalk和隨機森林的代謝物與疾病關聯關係預測
    12.5.1  DeepWalk網路表徵提取
    12.5.2  NERF演算法預測
    12.5.3  實驗結果與分析
  12.6  基於圖卷積網路的代謝物和疾病關聯關係預測
    12.6.1  代謝物與疾病相似性計算與融合
    12.6.2  MDAGCN演算法預測
    12.6.3  實驗結果與分析
  12.7  小結
  參考文獻

第13章  微生物與疾病的關聯關係預測
  13.1  引言
  13.2  基於Node2vec的微生物和疾病關聯關係預測
    13.2.1  Node2vec
    13.2.2  LGRSH演算法預測
    13.2.3  實驗結果與分析
  13.3  基於大規模信息網路嵌入演算法的微生物和疾病關聯關係預測
    13.3.1  基於LINE演算法的特徵表示
    13.3.2  MSLINE演算法預測
    13.3.3  實驗結果與分析
  13.4  基於結構深度網路嵌入演算法的微生物和疾病關聯關係預測
    13.4.1  基於SDNE的特徵提取
    13.4.2  NEMDA演算法預測
    13.4.3  實驗結果與分析
  13.5  基於元路徑聚合圖神經網路的微生物和疾病關聯關係預測
    13.5.1  基於MAGNN的特徵學習
    13.5.2  MATHNMDA演算法預測
    13.5.3  實驗結果與分析
  13.6  基於去噪自編碼器和卷積神經網路的微生物和疾病關聯關係預測
    13.6.1  基於LE和DAE的特徵學習
    13.6.2  MMHN-MDA演算法預測
    13.6.3  實驗結果與分析
  13.7  基於關係圖卷積網路的微生物和疾病關聯關係預測
    13.7.1  基於R-GCN的特徵學習
    13.7.2  TNR-GCN演算法預測
    13.7.3  實驗結果與分析
  13.8  小結
  參考文獻
第14章  RNA甲基化位點預測及模式分析
  14.1  引言
  14.2  基於卷積神經網路的mRNA中m6A甲基化位點預測
    14.2.1  mRNA中m6A數據集構建
    14.2.2  序列特徵編碼
    14.2.3  基於多模態CNN的m6A甲基化位點預測
    14.2.4  實驗結果與分析
  14.3  基於隨機森林的lncRNA中m6A甲基化位點預測
    14.3.1  lncRNA中m6A數據集構建
    14.3.2  序列特徵與基因組特徵編碼
    14.3.3  基於RF的m6A甲基化位點預測
    14.3.4  實驗結果與分析
  14.4  基於非負矩陣分解的RNA共甲基化模式分析
    14.4.1  多數據集中RNA甲基化水平提取
    14.4.2  基於NMF的共甲基化模式分析
    14.4.3  實驗結果與分析
  14.5  基於機器學習的RNA甲基化位點預測平台開發
    14.5.1  基因組特徵編碼與基因組坐標
    14.5.2  基於機器學習的甲基化位點預測模型構建
    14.5.3  Web界面實現與編程環境
    14.5.4  實驗結果與分析
  14.6  小結

  參考文獻
第15章  藥物發現
  15.1  引言
  15.2  基於雙重圖神經網路的藥物和藥物相互作用預測
    15.2.1  藥物分子表示
    15.2.2  基於SA-DMPNN的子結構提取
    15.2.3  DGNN-DDI演算法預測
    15.2.4  實驗結果與分析
  15.3  基於殘差圖卷積神經網路的藥物和藥物相互作用預測
    15.3.1  多源異構網路構建
    15.3.2  基於ResGCN的編碼器
    15.3.3  MSResG演算法預測
    15.3.4  實驗結果與分析
  15.4  基於符號圖神經網路的藥物靶標相互作用預測
    15.4.1  藥物靶標符號圖構建
    15.4.2  SHGNN演算法預測
    15.4.3  實驗結果與分析
  15.5  基於BiGRU和GraphSAGE的藥物分子毒性預測
    15.5.1  基於BiGRU的分子序列特徵提取
    15.5.2  基於GraphSAGE的分子結構特徵提取
    15.5.3  MTBG演算法預測
    15.5.4  實驗結果與分析
  15.6  基於聚類約束的藥物重定位研究
    15.6.1  藥物與疾病的屬性特徵提取
    15.6.2  藥物與疾病的網路聚類特徵提取
    15.6.3  基於DRGCC演算法的藥物重定位
    15.6.4  實驗結果與分析
  15.7  小結
  參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032