深度學(xué)習(xí)在生物信息學(xué)中的研究與應(yīng)用

目錄
第1章　緒論　1
1.1　什么是生物信息學(xué)　1
1.2　生命科學(xué)與人工智能(深度學(xué)習(xí))相關(guān)大記事　1
1.3　神經(jīng)網(wǎng)絡(luò)(深度學(xué)習(xí))與生命科學(xué)的內(nèi)在聯(lián)系　2
1.4　深度學(xué)習(xí)在生物信息學(xué)中的主要應(yīng)用　4
1.5　生物信息學(xué)雜志　6
第2章　深度學(xué)習(xí)中張量對(duì)數(shù)據(jù)建?！?
2.1　概念　7
2.1.1　傳統(tǒng)數(shù)據(jù)建模方法　7
2.1.2　張量的引入　8
2.1.3　張量的運(yùn)算　10
2.2　數(shù)據(jù)建模方法　11
2.2.1　圖片的張量表示　11
2.2.2　張量對(duì)時(shí)空數(shù)據(jù)建?！?2
2.3　張量分解　13
2.3.1　矩陣乘法的擴(kuò)展　13
2.3.2　CP分解　14
第3章　深度學(xué)習(xí)框架　16
3.1　主流深度學(xué)習(xí)框架　16
3.1.1　五大主流框架簡介　16
3.1.2　五大主流工具比較　18
3.2　TensorFlow深度學(xué)習(xí)框架介紹　20
3.2.1　TensorFlow的背景　20
3.2.2　TensorFlow的特點(diǎn)　20
3.2.3　TensorFlow的運(yùn)行機(jī)制　21
3.3　TensorFlow基礎(chǔ)實(shí)踐　23
3.3.1　安裝TensorFlow　23
3.3.2　TensorFlow基本概念　24
3.3.3　TensorFlow基本數(shù)據(jù)結(jié)構(gòu)　25
3.3.4　TensorFlow基本操作　28
3.3.5　深入理解TensorFlow計(jì)算圖　33
3.3.6　TensorFlow應(yīng)用　36
3.4　TensorBoard可視化工具　37
3.4.1　TensorBoard介紹　37
3.4.2　數(shù)據(jù)序列化　38
3.4.3　啟動(dòng)TensorBoard　40
3.4.4　利用TensorBoard調(diào)參示例　41
第4章　深度學(xué)習(xí)在生物圖片上的應(yīng)用　44
4.1　深度學(xué)習(xí)在腦腫瘤分割中的應(yīng)用研究　44
4.1.1　腦腫瘤分割概述　44
4.1.2　腦腫瘤分割研究現(xiàn)狀　46
4.1.3　腦腫瘤分割模型　47
4.1.4　模型損失函數(shù)　48
4.1.5　腦腫瘤分割實(shí)驗(yàn)建立　49
4.1.6　結(jié)論　53
4.2　卷積神經(jīng)網(wǎng)絡(luò)在生物形態(tài)學(xué)評(píng)估中的應(yīng)用　54
4.2.1　背景介紹　54
4.2.2　實(shí)驗(yàn)數(shù)據(jù)簡介　56
4.2.3　Deepfish網(wǎng)絡(luò)構(gòu)建　56
4.2.4　Deepfish模型架構(gòu)　56
4.2.5　Deepfish網(wǎng)絡(luò)架構(gòu)　58
4.2.6　實(shí)驗(yàn)設(shè)置　60
4.2.7　評(píng)估和分析　60
4.2.8　Deepfish不同結(jié)構(gòu)實(shí)驗(yàn)結(jié)果　61
4.2.9　討論　62
參考文獻(xiàn)　63
第5章　深度學(xué)習(xí)在生物音頻數(shù)據(jù)上的研究　67
5.1　基于聲音的性別識(shí)別　67
5.1.1　介紹　67
5.1.2　數(shù)據(jù)預(yù)處理　68
5.1.3　模型搭建　72
5.1.4　訓(xùn)練及驗(yàn)證　79
5.1.5　總結(jié)　82
5.2　蝙蝠及回聲定位　82
5.2.1　蝙蝠及回聲定位簡介　82
5.2.2　工作可行性及相關(guān)意義　83
5.2.3　相關(guān)工作　84
5.2.4　工作流程　85
5.2.5　模型設(shè)計(jì)　92
5.2.6　實(shí)驗(yàn)　93
5.2.7　結(jié)論　96
參考文獻(xiàn)　97
第6章　機(jī)器學(xué)習(xí)在蛋白質(zhì)功能預(yù)測(cè)中的應(yīng)用　99
6.1　概率主題模型概述　99
6.1.1　主題建模原理　100
6.1.2　主題模型研究現(xiàn)狀　104
6.1.3　主題模型在生物信息中的應(yīng)用　106
6.2　蛋白質(zhì)功能預(yù)測(cè)　109
6.3　基于多標(biāo)簽監(jiān)督主題模型的蛋白質(zhì)功能預(yù)測(cè)　111
6.3.1　詞包構(gòu)造　111
6.3.2　模型描述　113
6.3.3　學(xué)習(xí)和推理　115
6.4　深度學(xué)習(xí)在蛋白質(zhì)功能預(yù)測(cè)中的應(yīng)用　116
6.4.1　蛋白質(zhì)功能數(shù)據(jù)集的數(shù)據(jù)不平衡性　116
6.4.2　層次多標(biāo)簽分類在蛋白質(zhì)功能預(yù)測(cè)中的應(yīng)用　119
6.4.3　遞歸神經(jīng)網(wǎng)絡(luò)在蛋白質(zhì)功能預(yù)測(cè)中的研究　119
參考文獻(xiàn)　120
第7章　基因序列卷積的一般方法　126
7.1　DeepBind　126
7.1.1　DeepBind背景介紹　126
7.1.2　DeepBind技術(shù)實(shí)現(xiàn)　126
7.2　DeepCpG　127
7.3　DeepSEA　128
7.3.1　DeepSEA背景介紹　128
7.3.2　DeepSEA技術(shù)實(shí)現(xiàn)　128
7.4　Basset　129
7.4.1　Basset基礎(chǔ)介紹　129
7.4.2　Basset結(jié)構(gòu)介紹　129
7.4.3　Basset實(shí)驗(yàn)環(huán)境安裝　131
7.4.4　Basset代碼實(shí)現(xiàn)　131
7.5　生物信息中的特征工程　135
7.5.1　特征工程　135
7.5.2　生物信息中的特征工程實(shí)現(xiàn)方法　136
7.6　數(shù)據(jù)可視化分析方法　145
7.6.1　circos可視化介紹與實(shí)現(xiàn)　146
7.6.2　曼哈頓圖繪制　149
參考文獻(xiàn)　150
第8章　生成對(duì)抗網(wǎng)絡(luò)在生物信息學(xué)領(lǐng)域中的探索　152
8.1　生成對(duì)抗網(wǎng)絡(luò)　152
8.1.1　生成對(duì)抗網(wǎng)絡(luò)的基本介紹　152
8.1.2　生成對(duì)抗網(wǎng)絡(luò)的基本概念　152
8.1.3　生成對(duì)抗網(wǎng)絡(luò)理論　153
8.2　生成對(duì)抗網(wǎng)絡(luò)的應(yīng)用　155
8.3　生成對(duì)抗網(wǎng)絡(luò)對(duì)生物信息學(xué)的意義　156
8.4　生成對(duì)抗網(wǎng)絡(luò)在醫(yī)學(xué)圖像上的探索　157
8.5　本章小結(jié)　158
參考文獻(xiàn)　159