生物信息學：智能化算法及其應用

第一章 生物信息學
第一節(jié) 生物信息學的內(nèi)容、方法和意義
一、什么是生物信息學
二、生物信息學探源
三、生物信息學的內(nèi)涵和后基因組時代的主攻方向
第二節(jié) 有關生物學的背景知識
一、細胞簡介
二、基因概述
三、蛋白質(zhì)解說
第三節(jié) 互聯(lián)網(wǎng)上可用的生物信息資源
一、生物信息網(wǎng)上資源簡介
二、基因組數(shù)據(jù)庫
三、核酸序列數(shù)據(jù)庫
四、蛋白質(zhì)序列數(shù)據(jù)庫
五、蛋白質(zhì)結構數(shù)據(jù)庫
六、二次數(shù)據(jù)庫
七、重要網(wǎng)上資源的地址
參考文獻
第二章 智能化算法
第一節(jié) 什么是智能化算法
一、問題的提法
二、程式化算法
三、智能化算法
第二節(jié) 本書涉及的智能化算法
一、蒙特卡羅方法
二、模擬退火算法
三、遺傳算法
四、人工神經(jīng)網(wǎng)絡
五、隱馬氏模型
六、貝葉斯網(wǎng)絡與無標度網(wǎng)絡
第三節(jié) 評價智能化算法的一個理論框架
一、離散吸收馬氏過程
二、隨機算法的收斂性和復雜性
參考文獻
第三章 序列聯(lián)配與隱馬氏模型
第一節(jié) 雙序列聯(lián)配
一、序列的同源性和相似性
二、PAM和BLOSUM計分矩陣
三、動態(tài)規(guī)劃算法
四、數(shù)據(jù)庫搜索的FASTA和BLAST算法
第二節(jié) 多序列聯(lián)配
一、多序列聯(lián)配的概念
二、多序列聯(lián)配常用的ClustalW算法
三、多序列聯(lián)配結果的表示和數(shù)據(jù)庫搜索
第三節(jié) 隱馬氏模型
一、馬爾可夫鏈
二、隱馬氏模型的形式
三、隱馬氏模型的基本問題與算法
第四節(jié) 基于剖面隱馬氏模型的多序列聯(lián)配
一、作為多序列聯(lián)配的剖面隱馬氏模型
二、剖面隱馬氏模型主狀態(tài)數(shù)的選取
三、現(xiàn)有剖面隱馬氏模型軟件簡介和多序列聯(lián)配實例
參考文獻
第四章 模體識別與神經(jīng)網(wǎng)絡
第一節(jié) 模體識別
一、模體的生物學意義
二、序列模體和結構模體
三、模體數(shù)據(jù)庫
四、模體發(fā)現(xiàn)的方法
第二節(jié) 智能神經(jīng)網(wǎng)絡
一、神經(jīng)網(wǎng)絡簡介
二、神經(jīng)網(wǎng)絡的結構模型及學習
三、多層前饋神經(jīng)網(wǎng)絡與反向傳播算法
四、反向傳播算法的局限性及其改進
五、神經(jīng)網(wǎng)絡的兩個主要問題
六、貝葉斯神經(jīng)網(wǎng)絡
第三節(jié) 基于神經(jīng)網(wǎng)絡的模體識別
一、神經(jīng)網(wǎng)絡在生物分子序列分析中的應用
二、生物分子序列分析中的神經(jīng)網(wǎng)絡編碼
三、基于神經(jīng)網(wǎng)絡的蛋白質(zhì)二級結構預測
參考文獻
第五章 蛋白質(zhì)折疊與遺傳算法
第一節(jié) 蛋白質(zhì)折疊
一、蛋白質(zhì)結構及其預測方法概述
二、蛋白質(zhì)折疊預測的模型
三、蛋白質(zhì)折疊預測的基本方法
第二節(jié) 蒙特卡羅方法
一、基本蒙特卡羅方法
二、各種采樣方法介紹
三、馬爾可夫鏈蒙特卡羅方法
第三節(jié) 遺傳算法
一、遺傳算法的有關概念
二、基本遺傳算法
三、各種改進的遺傳算法
四、遺傳算法的數(shù)學理論
第四節(jié) 蛋白質(zhì)折疊預測實例
一、蛋白質(zhì)折疊的HP模型
二、基于蒙特卡羅方法的蛋白質(zhì)折疊預測
三、基于遺傳算法的蛋白質(zhì)折疊問題預測
四、結果與討論
參考文獻
第六章 RNA結構預測與模擬退火
第一節(jié) RNA的結構與功能
一、RNA的組成
二、RNA的分類、結構及其功能
三、RNA的二級結構與假結
第二節(jié) RNA二級結構預測建模
一、比較序列分析模型
二、最小自由能算法與自由能參數(shù)
三、組合優(yōu)化算法的解決方案
四、進一步提高預測準確度的若干問題
第三節(jié) 模擬退火算法
一、Metropolis準則
二、模擬退火的漸近行為
三、冷卻進度表的有關問題
四、模擬退火算法的改進和變異
五、Boltzmann機
第四節(jié) RNA二級結構預測實例
一、RNA二級結構的編碼
二、混合遺傳算法
三、材料與計算結果
參考文獻
第七章 微陣列技術與統(tǒng)計推斷
第一節(jié) 微陣列技術
一、微陣列技術簡介
二、微陣列的數(shù)據(jù)挖掘
三、微陣列技術的應用
第二節(jié) 聚類方法
一、距離與相似系數(shù)
二、系統(tǒng)聚類法
三、K均值算法
四、自組織映射算法
五、主成分分析
六、聚類效果評估
第三節(jié) 模式識別
一、基因選擇
二、降維處理
三、判別分析
四、遺失數(shù)據(jù)處理
第四節(jié) 微陣列表達數(shù)據(jù)分析實例
一、材料與方法
二、計算結果
三、討論
四、問題與展望
參考文獻
第八章 基因相互作用與貝葉斯網(wǎng)絡
第一節(jié) 基因的表達調(diào)控
一、RNA結構調(diào)控和剪接編輯調(diào)控模型
二、啟動子調(diào)控和操縱子調(diào)控模型
三、感受器應答調(diào)控模型
四、功能基因組的基因表達
第二節(jié) 基因相互關系網(wǎng)絡
一、基因表達數(shù)據(jù)采集和表達模式分析
二、基因相互關系的一般統(tǒng)計分析框架
三、建立基因調(diào)控網(wǎng)絡的數(shù)學模型
四、基因網(wǎng)絡模型分析
五、基因網(wǎng)絡的實際應用
第三節(jié) 基因相互作用的貝葉斯網(wǎng)絡模型
一、貝葉斯網(wǎng)絡
二、基于貝葉斯網(wǎng)絡的基因相互關系模型及算法實現(xiàn)
三、貝葉斯調(diào)控網(wǎng)絡在疾病研究中的應用和前景
參考文獻
索引