內容大鋼
本書是一部面向生物信息學與人工智慧交叉研究的應用型著作，旨在搭建電腦科學與生命科學之間的方法橋樑。一方面，本書為電腦學科讀者系統展示了機器學習、深度學習和網路分析等計算方法如何具體應用於蛋白質科學、突變效應分析和藥物靶點發現等生物醫學問題；另一方面，也為生物學、醫學及藥學領域讀者提供選擇和理解計算模型的參考，幫助其根據不同研究問題合理選取特徵、演算法和評價指標。全書按照不同生物學問題組織計算方法，從「生物問題是什麼」「需要哪些特徵」「適合採用什麼模型」「如何評價結果」四個層面展開，突出跨學科研究中問題定義、特徵表達、模型選擇和結果解釋之間的邏輯關係。
本書既可作為電腦學科學生進入生物醫學人工智慧領域的案例指南，也可作為生命科學領域研究者理解和選擇人工智慧方法的參考讀物。
目錄
第1章 生物信息學中的人工智慧
1.1 研究背景
1.2 問題的界定與傳統方法的局限
1.3 人工智慧作為方法論的工具
1.4 本書的範圍與目標
1.5 結語
第2章 生物特徵介紹
2.1 蛋白質序列特徵
2.2 蛋白質結構特徵
2.3 蛋白質功能特徵
第3章 人工智慧演算法概述
3.1 機器學習方法
3.2 模型性能評估方法
第4章 LSTM深度學習在蛋白質可及性預測中的建模與應用
4.1 蛋白質可及性研究現狀
4.2 數據準備與特徵提取
4.3 模型訓練
4.4 性能評估
4.5 案例展示
4.6 結語
第5章 機器學習方法在蛋白質穩定性與熱穩定性研究中的應用
5.1 PON-tstab；蛋白質變異穩定性預測器
5.1.1 數據校對、整理與篩選
5.1.2 特徵提取與選擇
5.1.3 構建並訓練預測模型PON-tstab
5.1.4 PON-tstab性能評估
5.2 基於結構預測錯義變異對蛋白質穩定性的影響
5.2.1 數據預處理
5.2.2 模型構建
5.2.3 模型性能評估方法與結果
5.3 ProTstab2預測蛋白質熱穩定性
5.3.1 數據收集與特徵提取
5.3.2 演算法與特徵選擇
5.3.3 ProTstab2性能表現
5.3.4 ProTstab2在全蛋白質組預測中的應用
5.4 PON-Tm基於序列的方法預測錯義突變對蛋白質熱穩定性的影響
5.4.1 數據預處理
5.4.2 與其他方法的性能比較
5.5 DeepTP基於深度學習的蛋白質熱穩定性預測模型
5.5.1 數據集構建
5.5.2 特徵提取與選擇
5.5.3 模型架構
5.5.4 DeepTP與其他方法在獨立測試集及驗證集上的性能比較
5.5.5 DeepTP內各模塊性能分析
5.6 討論
第6章 機器學習方法在氨基酸突變研究中的應用
6.1 PON-Fold氨基酸突變影響蛋白質摺疊速率
6.1.1 資料庫構建與特徵選擇
6.1.2 訓練預測器
6.1.3 與其他工具的性能對比
6.1.4 PON-Fold在摺疊效應的全域分析中的應用
6.2 氨基酸突變對蛋白質溶解性的影響——PON-Sol、PON-Sol2
6.2.1 PON-Sol模型
6.2.2 PON-Sol2模型
6.2.3 模型構建
6.2.4 模型評估
6.3 蛋白質共保守加權網路模型表徵突變對SARS-CoV-2刺突蛋白的影響
6.3.1 網路構建
6.3.2 刺突蛋白PCCN網路的拓撲特徵分析
6.4 討論
第7章 蛋白質網路
7.1 利用網路模型發現靶向藥物的最新進展
7.1.1 靶向藥物研發中的網路模型與參數
7.1.2 蛋白質結構網路在變構調控及其他領域的應用
7.1.3 蛋白質-蛋白質相互作用界面的熱點區域
7.1.4 結構蛋白質-蛋白質相互作用網路
7.1.5 蛋白質柔性的彈性網路模型
7.2 基於網路的多發性硬化症靶點識別與藥物發現
7.2.1 數據處理與網路構建
7.2.2 網路分析
7.3 AI驅動的藥物靶點發現之旅
7.3.1 數據收集與方法
&nbs
[