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

深度學習方法在蛋白質結構預測領域的應用(精)/清華大學優秀博士學位論文叢書

  • 作者：丁文澤|責編:孫亞楠
  • 出版社：清華大學
  • ISBN：9787302688358
  • 出版日期：2025/05/01
  • 裝幀：精裝
  • 頁數：129
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書首先應用深度信念網路與殘差網路預測了蛋白質的殘基接觸，然後使用生成對抗網路探索了蛋白質殘基間距離的實值預測，最後，設計並實現了一個幾乎完全基於深度學習的蛋白質結構模型搭建框架，對蛋白質結構的預測、建模及其他相關探索具有較為重要的理論和實踐意義。
    本書可供結構生物信息學、蛋白質結構預測及蛋白質設計等領域的高校師生和科研院所研究人員及相關技術人員閱讀參考。
作者介紹
丁文澤|責編:孫亞楠
目錄
第1章  引言
  1.1  蛋白質結構預測概述
    1.1.1  背景與意義
    1.1.2  需要使用已有結構信息的預測方法
    1.1.3  完全基於序列信息的預測方法
  1.2  本書的組織結構
第2章  方法與技術
  2.1  深度神經網路
    2.1.1  深度信念網路
    2.1.2  卷積神經網路
    2.1.3  殘差神經網路
  2.2  生成式對抗網路
    2.2.1  基本框架和工作原理
    2.2.2  損失函數
  2.3  蛋白質的原子坐標優化與其殘基間約束
    2.3.1  殘基間約束
    2.3.2  原子坐標優化
  2.4  其他
    2.4.1  集成學習
    2.4.2  注意力機制
    2.4.3  分子動力學模擬
    2.4.4  排序學習
第3章  多層級架構的深度神經網路對蛋白質殘基接觸的預測
  3.1  引言
  3.2  數據集、網路模型與訓練方法
    3.2.1  數據集的處理
    3.2.2  網路架構概述
    3.2.3  模塊一
    3.2.4  模塊二
    3.2.5  模塊三
  3.3  結果與討論
    3.3.1  平均系綜對網路性能的提升
    3.3.2  與舊版的性能對比
    3.3.3  與當時該領域內其他前沿演算法的性能對比
    3.3.4  殘基接觸輔助蛋白質摺疊的評估
  3.4  小結
第4章  生成式對抗網路對蛋白質殘基間實值距離的預測
  4.1  引言
  4.2  數據集與特徵生成
    4.2.1  蛋白質數據集
    4.2.2  本研究需用到的輸入特徵
  4.3  結果與討論
    4.3.1  預實驗
    4.3.2  調整判別器的網路架構
    4.3.3  優化生成器
    4.3.4  數據增廣
    4.3.5  模型的訓練與評估
    4.3.6  其他討論
  4.4  小結
第5章  基於深度學習的蛋白質摺疊框架

  5.1  引言
  5.2  數據集與相關評價指標
    5.2.1  數據集
    5.2.2  評價指標
  5.3  結果與討論
    5.3.1  框架簡介
    5.3.2  對輸入約束的處理
    5.3.3  核心優化模塊
    5.3.4  摺疊質量分析模塊
    5.3.5  迭代間的重啟模塊
    5.3.6  摺疊性能的評估
  5.4  小結
第6章  總結與展望
  6.1  研究內容總結
  6.2  未來工作展望
    6.2.1  對抗式生成網路的優化與應用
    6.2.2  蛋白質摺疊框架的調優與適配
    6.2.3  基於距離的端到端訓練
    6.2.4  不依賴多序列比對的結構預測
    6.2.5  對蛋白質摺疊機制方面的探索
    6.2.6  蛋白質設計的嘗試
第7章  其他工作
  7.1  使用混合專家模型的殘基接觸預測
  7.2  對現有模型的初步擴增
參考文獻
附錄
附錄A  書中需要用到的補充數據
附錄B  書中需要用到的補充圖片
致謝

  • 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