- 人工智能在生物信息学中的应用
- - 作者：雷秀娟//潘毅|责编:赵艳春//高慧元
  - 出版社：科学
  - ISBN：9787030765482
  - 出版日期：2023/10/01
  - 页数：443
- 售价：79.2

内容大纲
本书以人工智能方法和生物组学数据分析为主线，阐述了人工智能中的群智能优化、机器学习、深度学习等算法的基本原理，并探讨了如何将这些算法应用于生物信息学相关问题的研究中，如蛋白质复合物挖掘、关键蛋白质识别、疾病基因预测、多种组学（转录组学、代谢组学、微生物组学)数据与疾病的关联关系预测、circRNA-RBP结合位点预测、RNA甲基化位点预测以及药物发现等。本书系统收集整理了生物组学相关数据库，另结合应用问题，从人工智能算法设计到具体流程计算，再到结果分析，均给出了详细步骤，以上均是本书的特色所在。
本书适合人工智能、计算机科学、生物信息学、生命科学、生物统计、生物化学以及其他交叉学科专业的高年级本科生及研究生学习，也可供其他理工科专业研究人员、程序开发人员和生物信息计算爱好者参考。
作者介绍
目录
序
前言
第1章  绪论
  1.1  引言
  1.2  人工智能
    1.2.1  人工智能的发展历史
    1.2.2  人工智能的发展现状
  1.3  大数据时代下的生物信息学
    1.3.1  生物信息学
    1.3.2  组学大数据的诞生
    1.3.3  组学数据的类型与特点
    1.3.4  多组学数据融合研究
  1.4  人工智能在生物信息领域中的应用
    1.4.1  人工智能与生物医药
    1.4.2  人工智能在多组学数据分析中的应用
  1.5  章节安排
  1.6  小结
  参考文献
第2章  生物多组学知识与数据库介绍
  2.1  引言
  2.2  组学基础知识
    2.2.1  基因组学
    2.2.2  蛋白质组学
    2.2.3  转录组学
    2.2.4  代谢组学
    2.2.5  微生物组学
    2.2.6  表观遗传组学
    2.2.7  单细胞组学
    2.2.8  时空组学
  2.3  生物数据资源
    2.3.1  生物信息学常用数据库
    2.3.2  基因数据资源与常用工具
    2.3.3  蛋白质数据资源
    2.3.4  非编码RNA数据库
    2.3.5  代谢物数据资源
    2.3.6  微生物数据库
    2.3.7  表观遗传组学数据库
    2.3.8  单细胞组学数据库
    2.3.9  时空组学数据库
    2.3.10  疾病及疾病靶点数据库
    2.3.11  药物数据库
  2.4  小结
  参考文献
第3章  生物网络特性与相似性
  3.1  引言
  3.2  生物网络概述
    3.2.1  生物网络的构建
    3.2.2  二分网络和异构网络
  3.3  生物网络结点的度量方法
    3.3.1  中心性度量方法

    3.3.2  PageRank算法
  3.4  相似性计算方法
    3.4.1  基于拓扑结构的相似性
    3.4.2  基于序列的相似性
    3.4.3  基于表达数据的相似性
    3.4.4  基于语义本体的相似性
    3.4.5  基于关联关系的相似性
    3.4.6  基于分子结构的相似性
    3.4.7  基于网络传播的相似性
  3.5  小结
  参考文献
第4章  智能优化算法
  4.1  引言
  4.2  粒子群优化算法
    4.2.1  粒子群优化算法仿生原理
    4.2.2  基本粒子群优化算法描述
    4.2.3  基本粒子群优化算法步骤
  4.3  人工鱼群算法
    4.3.1  人工鱼群算法仿生原理
    4.3.2  人工鱼群算法描述
    4.3.3  人工鱼群算法步骤
  4.4  人工蜂群算法
    4.4.1  人工蜂群算法仿生原理
    4.4.2  人工蜂群算法描述
    4.4.3  人工蜂群算法步骤
  4.5  萤火虫算法
    4.5.1  萤火虫算法仿生原理
    4.5.2  萤火虫算法描述
    4.5.3  萤火虫算法步骤
  4.6  布谷鸟搜索算法
    4.6.1  布谷鸟搜索算法仿生原理
    4.6.2  布谷鸟搜索算法描述
    4.6.3  布谷鸟搜索算法步骤
  4.7  果蝇优化算法
    4.7.1  果蝇优化算法仿生原理
    4.7.2  果蝇优化算法描述
    4.7.3  果蝇优化算法步骤
  4.8  花授粉算法
    4.8.1  花授粉算法仿生原理
    4.8.2  花授粉算法描述
    4.8.3  花授粉算法步骤
  4.9  鸽群优化算法
    4.9.1  鸽群优化算法仿生原理
    4.9.2  鸽群优化算法描述
    4.9.3  鸽群优化算法步骤
  4.10  小结
  参考文献
第5章  机器学习
  5.1  引言
  5.2  逻辑回归

    5.2.1  逻辑回归原理
    5.2.2  模型求解
  5.3  支持向量机
    5.3.1  支持向量机算法原理
    5.3.2  核函数
  5.4  决策树和随机森林
    5.4.1  决策树
    5.4.2  随机森林
  5.5  神经网络
    5.5.1  单层神经网络
    5.5.2  多层神经网络
    5.5.3  激活函数
  5.6  基于划分的聚类算法
    5.6.1  k-Means聚类算法
    5.6.2  k-中心点聚类算法
  5.7  基于密度的聚类算法
    5.7.1  DBSCAN算法
    5.7.2  OPTICS算法
  5.8  基于层次的聚类算法
    5.8.1  BIRCH算法
    5.8.2  变色龙聚类算法
  5.9  马尔可夫聚类算法
  5.10  评价指标
    5.10.1  数值评价指标
    5.10.2  图形评价指标
    5.10.3  交叉验证
  5.11  小结
  参考文献
第6章  深度学习
  6.1  引言
  6.2  卷积神经网络
    6.2.1  卷积的概念
    6.2.2  卷积神经网络的基本结构
    6.2.3  卷积神经网络的求解
  6.3  循环神经网络
    6.3.1  循环神经网络的基本模型
    6.3.2  长短期记忆网络
    6.3.3  门控循环单元
  6.4  自编码器
    6.4.1  自编码器原理
    6.4.2  深度自编码器
    6.4.3  图自编码器
  6.5  图神经网络
    6.5.1  图神经网络原理
    6.5.2  图神经网络分类
  6.6  图卷积网络
    6.6.1  图卷积网络原理
    6.6.2  图卷积网络的理解
  6.7  图注意力网络
    6.7.1  注意力机制

    6.7.2  图注意力网络模型
  6.8  Word2vec词嵌入算法
    6.8.1  词嵌入
    6.8.2  连续词袋模型
    6.8.3  跳字模型
  6.9  小结
  参考文献
第7章  PPI网络及蛋白质复合物挖掘方法
  7.1  引言
  7.2  蛋白质复合物
    7.2.1  蛋白质复合物作用
    7.2.2  蛋白质复合物结构
  7.3  基于群智能优化的蛋白质复合物挖掘
    7.3.1  基于布谷鸟优化算法的蛋白质复合物挖掘
    7.3.2  基于果蝇优化算法的蛋白质复合物挖掘
    7.3.3  基于萤火虫优化算法的蛋白质复合物挖掘
  7.4  基于网络拓扑结构的蛋白质复合物挖掘
    7.4.1  TP-WDPIN算法原理
    7.4.2  TP-WDPIN算法流程
    7.4.3  实验结果与分析
  7.5  基于密度聚类算法的蛋白质复合物挖掘
    7.5.1  基于DBSCAN算法的蛋白质复合物挖掘
    7.5.2  基于OPTICS算法的蛋白质复合物挖掘
  7.6  基于马尔可夫聚类算法的蛋白质复合物挖掘
    7.6.1  F-MCL算法原理
    7.6.2  F-MCL算法流程
    7.6.3  实验结果与分析
  7.7  基于商空间的蛋白质复合物挖掘
    7.7.1  ONCQS算法原理
    7.7.2  ONCQS算法流程
    7.7.3  实验结果与分析
  7.8  小结
  参考文献
第8章  关键蛋白质识别方法
  8.1  引言
  8.2  基于多源异构数据融合的关键蛋白质识别
    8.2.1  多源异构数据介绍
    8.2.2  基于基因表达、亚细胞定位和PPI数据的关键蛋白质识别
  8.3  基于二阶邻域与信息熵的关键蛋白质识别
    8.3.1  NIE算法原理
    8.3.2  NIE算法流程
    8.3.3  实验结果与分析
  8.4  基于人工鱼群算法的关键蛋白质识别
    8.4.1  AFSO_EP算法原理
    8.4.2  AFSO_EP算法流程
    8.4.3  实验结果与分析
  8.5  基于花授粉算法的关键蛋白质识别
    8.5.1  FPE算法原理
    8.5.2  FPE算法流程
    8.5.3  实验结果与分析

  8.6  小结
  参考文献
第9章  疾病基因预测
  9.1  引言
  9.2  基于二步随机游走算法的癌症基因预测
    9.2.1  构建异构网络
    9.2.2  TRWR-MB算法预测
    9.2.3  实验结果与分析
  9.3  基于逻辑回归算法的疾病基因预测
    9.3.1  网络重构
    9.3.2  LR-RPN算法预测
    9.3.3  实验结果与分析
  9.4  基于鸽群优化算法的疾病基因预测
    9.4.1  问题定义与描述
    9.4.2  PDG-PIO算法预测
    9.4.3  实验结果与分析
  9.5  基于网络信息损失模型的疾病基因预测
    9.5.1  网络信息损失模型
    9.5.2  异构网络传播算法
    9.5.3  InLPCH算法预测
    9.5.4  实验结果与分析
  9.6  小结
  参考文献
第10章  非编码RNA与疾病关联关系预测
  10.1  引言
  10.2  基于变分自编码器的miRNA与疾病关联关系预测
    10.2.1  基于VGAE的非线性特征表示
    10.2.2  基于非负矩阵分解的线性特征表示
    10.2.3  VGAMF算法预测
    10.2.4  实验结果与分析
  10.3  基于矩阵分解的lncRNA与疾病关联关系预测
    10.3.1  非负矩阵分解算法
    10.3.2  TDNMF算法预测
    10.3.3  实验结果与分析
  10.4  基于卷积神经网络的circRNA与疾病关联关系预测
    10.4.1  相似性特征融合
    10.4.2  MSFCNN算法预测
    10.4.3  实验结果与分析
  10.5  基于图注意力网络的circRNA与疾病关联关系预测
    10.5.1  相似性融合
    10.5.2  GATCDA算法预测
    10.5.3  实验结果与分析
  10.6  基于图嵌入方法的circRNA与疾病关联关系预测
    10.6.1  Metapath2vec++图嵌入
    10.6.2  PCD-MVMF算法预测
    10.6.3  实验结果与分析
  10.7  基于图因子分解机的circRNA与疾病关联关系预测
    10.7.1  因子分解机
    10.7.2  ICDGFG算法预测
    10.7.3  实验结果与分析

  10.8  小结
  参考文献
第11章  circRNA-RBP结合位点预测
  11.1  引言
  11.2  基于卷积神经网络的circRNA-RBP结合位点预测
    11.2.1  癌症特异性结合位点序列
    11.2.2  多尺度卷积框架
    11.2.3  CSCRSites算法预测
    11.2.4  实验结果与分析
  11.3  基于胶囊网络的circRNA-RBP结合位点预测
    11.3.1  RBP特异性结合位点
    11.3.2  变体胶囊网络框架
    11.3.3  circRB算法预测
    11.3.4  实验结果与分析
  11.4  基于循环神经网络的circRNA-RBP结合位点预测
    11.4.1  膀胱癌中差异表达RBP结合位点
    11.4.2  基于LSTM的上下文依赖关系学习
    11.4.3  CRPBsites算法预测
    11.4.4  实验结果与分析
  11.5  基于伪孪生神经网络的circRNA-RBP结合位点预测
    11.5.1  疾病相关RBP结合位点与特征提取
    11.5.2  基于BiLSTM-Attention的特征学习
    11.5.3  circ-pSBLA算法预测
    11.5.4  实验结果与分析
  11.6  小结
  参考文献
第12章  代谢物与疾病的关联关系预测
  12.1  引言
  12.2  基于KATZ算法的代谢物与疾病关联关系预测
    12.2.1  KATZ算法
    12.2.2  KATZMDA算法预测
    12.2.3  实验结果与分析
  12.3  基于蜂群优化算法的代谢物与疾病关联关系预测
    12.3.1  相似性网络和网络一致性投影
    12.3.2  SSABCMDA算法预测
    12.3.3  实验结果与分析
  12.4  基于LightGBM的代谢物与疾病关联关系预测
    12.4.1  轻量级梯度提升树
    12.4.2  LGBMMDA算法预测
    12.4.3  实验结果与分析
  12.5  基于DeepWalk和随机森林的代谢物与疾病关联关系预测
    12.5.1  DeepWalk网络表征提取
    12.5.2  NERF算法预测
    12.5.3  实验结果与分析
  12.6  基于图卷积网络的代谢物和疾病关联关系预测
    12.6.1  代谢物与疾病相似性计算与融合
    12.6.2  MDAGCN算法预测
    12.6.3  实验结果与分析
  12.7  小结
  参考文献

第13章  微生物与疾病的关联关系预测
  13.1  引言
  13.2  基于Node2vec的微生物和疾病关联关系预测
    13.2.1  Node2vec
    13.2.2  LGRSH算法预测
    13.2.3  实验结果与分析
  13.3  基于大规模信息网络嵌入算法的微生物和疾病关联关系预测
    13.3.1  基于LINE算法的特征表示
    13.3.2  MSLINE算法预测
    13.3.3  实验结果与分析
  13.4  基于结构深度网络嵌入算法的微生物和疾病关联关系预测
    13.4.1  基于SDNE的特征提取
    13.4.2  NEMDA算法预测
    13.4.3  实验结果与分析
  13.5  基于元路径聚合图神经网络的微生物和疾病关联关系预测
    13.5.1  基于MAGNN的特征学习
    13.5.2  MATHNMDA算法预测
    13.5.3  实验结果与分析
  13.6  基于去噪自编码器和卷积神经网络的微生物和疾病关联关系预测
    13.6.1  基于LE和DAE的特征学习
    13.6.2  MMHN-MDA算法预测
    13.6.3  实验结果与分析
  13.7  基于关系图卷积网络的微生物和疾病关联关系预测
    13.7.1  基于R-GCN的特征学习
    13.7.2  TNR-GCN算法预测
    13.7.3  实验结果与分析
  13.8  小结
  参考文献
第14章  RNA甲基化位点预测及模式分析
  14.1  引言
  14.2  基于卷积神经网络的mRNA中m6A甲基化位点预测
    14.2.1  mRNA中m6A数据集构建
    14.2.2  序列特征编码
    14.2.3  基于多模态CNN的m6A甲基化位点预测
    14.2.4  实验结果与分析
  14.3  基于随机森林的lncRNA中m6A甲基化位点预测
    14.3.1  lncRNA中m6A数据集构建
    14.3.2  序列特征与基因组特征编码
    14.3.3  基于RF的m6A甲基化位点预测
    14.3.4  实验结果与分析
  14.4  基于非负矩阵分解的RNA共甲基化模式分析
    14.4.1  多数据集中RNA甲基化水平提取
    14.4.2  基于NMF的共甲基化模式分析
    14.4.3  实验结果与分析
  14.5  基于机器学习的RNA甲基化位点预测平台开发
    14.5.1  基因组特征编码与基因组坐标
    14.5.2  基于机器学习的甲基化位点预测模型构建
    14.5.3  Web界面实现与编程环境
    14.5.4  实验结果与分析
  14.6  小结

  参考文献
第15章  药物发现
  15.1  引言
  15.2  基于双重图神经网络的药物和药物相互作用预测
    15.2.1  药物分子表示
    15.2.2  基于SA-DMPNN的子结构提取
    15.2.3  DGNN-DDI算法预测
    15.2.4  实验结果与分析
  15.3  基于残差图卷积神经网络的药物和药物相互作用预测
    15.3.1  多源异构网络构建
    15.3.2  基于ResGCN的编码器
    15.3.3  MSResG算法预测
    15.3.4  实验结果与分析
  15.4  基于符号图神经网络的药物靶标相互作用预测
    15.4.1  药物靶标符号图构建
    15.4.2  SHGNN算法预测
    15.4.3  实验结果与分析
  15.5  基于BiGRU和GraphSAGE的药物分子毒性预测
    15.5.1  基于BiGRU的分子序列特征提取
    15.5.2  基于GraphSAGE的分子结构特征提取
    15.5.3  MTBG算法预测
    15.5.4  实验结果与分析
  15.6  基于聚类约束的药物重定位研究
    15.6.1  药物与疾病的属性特征提取
    15.6.2  药物与疾病的网络聚类特征提取
    15.6.3  基于DRGCC算法的药物重定位
    15.6.4  实验结果与分析
  15.7  小结
  参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目