基于深度學習的生命科學

目錄
前言 1
第1 章 為什么是生命科學？ 7
為什么是深度學習？ 7
當代生命科學是關于數(shù)據(jù)的 8
你能學到什么？ 9
第2 章 深度學習概論 15
線性模型 16
多層感知器 18
訓練模型 22
驗證 24
正則化 25
超參數(shù)優(yōu)化 26
其他類型的模型 28
卷積神經(jīng)網(wǎng)絡 28
遞歸神經(jīng)網(wǎng)絡 29
延伸閱讀 31
第3 章 基于DeepChem 的機器學習 33
DeepChem 數(shù)據(jù)集 34
訓練一個預測分子毒性的模型 36
案例研究：訓練MNIST 模型 44
MNIST 數(shù)字識別數(shù)據(jù)集 45
MNIST 的卷積結構 46
softmax 和SoftMaxCrossEntropy 50
結論 51
第4 章 分子的機器學習 53
什么是分子？ 54
什么是分子鍵？ 56
分子圖 58
分子構型 59
分子的手性60
分子的特征表示 62
SMILES 字符串和RDKit 62
擴展– 連接指紋 62
分子描述符63
圖卷積 64
訓練一個模型來預測溶解度 65
MoleculeNet 67
SMARTS 字符串 67
結論 70
第5 章 生物物理的機器學習 71
蛋白質(zhì)結構 73
蛋白質(zhì)序列75
不能用計算方法預測3D 蛋白質(zhì)結構嗎？ 77
蛋白質(zhì)結合簡介 78
生物物理數(shù)據(jù)的特征化 79
網(wǎng)格特征化80
原子特征化84
PDBBind 案例研究 85
PDBBind 數(shù)據(jù)集 85
特征化PDBBind 數(shù)據(jù)集 89
結論 93
第6 章 基因組學的深度學習 97
DNA、RNA 和蛋白質(zhì) 98
現(xiàn)在是現(xiàn)實世界 100
轉(zhuǎn)錄因子的結合 102
一個用于TF 結合的卷積模型 103
染色質(zhì)可接近性 106
RNA 干擾 109
結論 112
第7 章 顯微鏡檢查的機器學習 115
顯微學簡介 117
現(xiàn)代光學顯微技術 118
衍射極限 120
電子和原子力顯微技術 122
超分辨顯微技術 124
深度學習和衍射極限? 126
制備生物顯微鏡樣本 126
染色 126
樣本固定 128
切片樣本 128
熒光顯微技術 129
樣本制備工件 131
深度學習應用 132
細胞計數(shù) 132
什么是細胞系？ 132
細胞分割 136
計算分析 141
結論 141
第8 章 醫(yī)學領域的深度學習 143
計算機輔助診斷 143
貝葉斯網(wǎng)絡的概率診斷 145
電子健康記錄數(shù)據(jù) 146
ICD-10 編碼 147
那么無監(jiān)督學習呢？ 148
患者EHR 大型數(shù)據(jù)庫存在危險嗎？ 149
用于放射學的深度學習 150
x 線掃描和CT 掃描 153
組織學 155
核磁共振掃描 156
學習模型作為一種治療方法 157
糖尿病視網(wǎng)膜病變 158
結論 162
道德考慮 162
失業(yè) 163
小結 164
第9 章 生成模型 165
變分自編碼 165
生成對抗網(wǎng)絡 167
生成模型在生命科學中的應用 169
為先導化合物提供新思路 169
蛋白質(zhì)的設計 170
用于科學發(fā)現(xiàn)的工具 170
生成建模的未來 170
使用生成模型 171
分析生成模型的輸出 173
結論 176
第10 章 深層模型的解釋 179
解釋預測 180
優(yōu)化輸入 183
預測的不確定性 187
可解釋性、可擴展性和實際后果 191
結論 192
第11 章 虛擬篩選工作流示例 193
為預測建模準備數(shù)據(jù)集 194
訓練預測模型 201
為模型預測準備數(shù)據(jù)集 207
應用預測模型 211
結論 219
第12 章 前景和展望 221
醫(yī)學診斷 221
個性化醫(yī)療 223
藥物研發(fā) 225
生物學研究 226
結論 228