醫(yī)藥分析信息學及分析數據處理技術

第1章 　緒論
　1.1　分析科學發(fā)展前沿若干問題
　1.2　涉及的若干概念、界定及術語定義
　1.3　分析信息獲取問題
　1.4　生物醫(yī)藥分析技術發(fā)展趨勢
　1.5　藥物信息學與生物醫(yī)藥分析
　1.6　復雜物質體系辨析與醫(yī)藥分析信息學
第2章 　分析數據處理技術基礎知識
　2.1　化學計量學與化學信息學
　　2.1.1　化學計量學
　　2.1.2　化學信息學
　2.2　多元統(tǒng)計分析技術
　　2.2.1　基本概念
　　2.2.2　常用的多元統(tǒng)計分析方法
　2.3　機器學習技術
　　2.3.1　機器學習的定義
　　2.3.2　機器學習的類型
　　2.3.3　機器學習的應用領域
　　2.3.4　幾種常見的機器學習方法
　2.4　模式信息處理技術
　　2.4.1　基本概念
　　2.4.2　模式識別基本方法
　2.5　知識工程技術
　　2.5.1　知識工程定義
　　2.5.2　知識表示方法
　　2.5.3　知識搜索
　　2.5.4　知識推理機制
　　2.5.5　專家系統(tǒng)
　2.6　人工神經元計算技術
　　2.6.1　神經網絡的定義
　　2.6.2　基本概念與原理
　　2.6.3　神經網絡的應用
　　2.6.4　幾種常見的神經網絡模型
　2.7　數據庫與數據挖掘技術　
　　2.7.1　數據庫技術概述
　　2.7.2　數據庫的基本概念
　　2.7.3　數據倉庫和數據挖掘技術
　2.8　小波分析技術
　　2.8.1　基本概念
　　2.8.2　小波分析的基本原理
　　2.8.3　信號小波級數的展開及其變換算法的實現
　2.9　數據可視化技術
　　2.9.1　數據可視化概念
　　2.9.2　數據可視化過程
　　2.9.3　數據可視化方法
　　2.9.4　數據可視化應用
　　2.9.5　展望
　2.10　化學信息集成處理技術
　參考文獻
第3章　現代儀器分析信號處理
　3.1　分析信號處理技術概述
　3.2　分析儀器的信號與噪聲特性
　3.3　數字濾噪方法分類
　3.4　濾噪效果評價方法
　　3.4.1　整體濾噪效果評價指標
　　3.4.2　局部濾噪效果評價指標
　3.5　頻帶濾噪法
　　3.5.1　多點歸并平滑法
　　3.5.2　加權平均平滑法
　　3.5.3　SG數字濾波器
　　3.5.4　可調型低通濾波器
　　3.5.5　幾種常用頻帶濾噪法的性能比較
　3.6　最佳濾波器
　　3.6.1　匹配濾波器
　　3.6.2　維納濾波器和卡爾曼濾波器
　3.7　基于小波變換法的濾噪技術
　　3.7.1　小波基自適應濾噪技術
　　3.7.2　基于小波包基分解與重構的濾噪技術
　3.8　自適應濾波器
　　3.8.1　最小均方自適應濾波器
　　3.8.2　神經網絡濾波器
　3.9　新型濾噪方法研究實例
　　3.9.1　基于分形理論的自適應中位值濾噪方法研究實例
　　3.9.2　基于光譜信息計算解析的液相色譜濾噪方法研究實例
　3.10　小波信號壓縮
　參考文獻
第4章 　分析譜圖的譜峰辨識方法
　4.1　譜峰辨識技術概要
　4.2　譜峰檢測方法
　　4.2.1　幅值檢峰法
　　4.2.2　一階導數檢峰法
　　4.2.3　二階導數檢峰法
　　4.2.4　分形維檢峰法
　4.3　譜峰識別方法
　　4.3.1　基線漂移法
　　4.3.2　譜峰間距測定法
　　4.3.3　峰高比綜合判別法
　4.4　仿人智能辨識譜峰方法
　4.5　譜峰自適應辨識方法
第5章 　多元校正與復雜分析數據解析
　5.1　多元校正與復雜分析數據解析概述
　5.2　多元校正
　　5.2.1　直接校正
　　5.2.2　間接校正
　　5.2.3　非線性多元校正
　5.3　近紅外光譜數據的多元校正
　　5.3.1　近紅外光譜預處理方法
　　5.3.2　波段選擇
　　5.3.3　多元校正建模方法
　5.4　復雜分析數據解析
　　5.4.1　多元分辨
　　5.4.2　應用實例
　參考文獻
第6章 　化學與生物模式信息處理
　6.1　數據預處理方法
　6.2　常用的模式特征提取方法
　　6.2.1　主成分分析法
　　6.2.2　偏最小二乘法
　　6.2.3　核主成分分析法
　6.3　復雜化學與生物模式的分步特征提取法
　　6.3.1　復雜化學與生物模式特征的分步提取方法原理
　　6.3.2　特征矢量的分類能力評價指標
　　6.3.3　復雜化學與生物模式特征的分步提取方法應用實例
　6.4　最優(yōu)分類特征提取方法
　　6.4.1　最優(yōu)分類特征提取方法原理
　　6.4.2　最優(yōu)分類特征提取方法應用實例
　6.5　聚類分析法
　　6.5.1　相似性測度
　　6.5.2　系統(tǒng)聚類法
　　6.5.3　動態(tài)聚類法
　6.6　判別函數法
　　6.6.1　判別函數
　　6.6.2　參數學習
　　6.6.3　多分類問題
　6.7　近鄰法
　　6.7.1　最近鄰法
　　6.7.2　k近鄰法
　6.8　神經網絡模式分類法
　　6.8.1　神經網絡基本原理
　　6.8.2　感知器
　　6.8.3　誤差反傳神經網絡
　　6.8.4　RBF網絡
　6.9　支持向量機
　　6.9.1　支持向量機基本原理
　　6.9.2　多類支持向量機
　　6.9.3　支持向量機應用實例
　6.10　模糊模式識別方法
　　6.10.1　模糊數學的基本知識
　　6.10.2　模糊模式識別的一般過程
　　6.10.3　模糊聚類方法
　　6.10.4　模糊神經網絡
　　6.10.5　應用實例
　參考文獻
第7章 　化學指紋圖譜計算處理
　7.1　化學指紋圖譜計算處理方法簡介
　　7.1.1　指紋圖譜相似性計算原理　
　　7.1.2　模式分類計算原理
　7.2　化學指紋圖譜測量參數的選擇
　7.3　化學指紋圖譜配準方法
　7.4　化學指紋圖譜相似性測度的比較
　7.5　化學指紋圖譜模式分類計算方法
　　7.5.1　基于小波基分形參量的化學指紋圖譜計算方法
　　7.5.2　基于Fisher因子的化學指紋圖譜模式分類方法
　　7.5.3　化學指紋圖譜類別相似性計算方法
　參考文獻
第8章 　分析信息智能管理
　8.1　實驗室信息管理系統(tǒng)
　　8.1.1　LIMS的定義和范疇
　　8.1.2　LIMS的發(fā)展過程
　　8.1.3　LIMS的工作流程
　　8.1.4　LIMS的功能
　　8.1.5　LIMS的實施過程
　　8.1.6　LIMS的標準和認證體系
　8.2　電子實驗記錄本
　　8.2.1　電子實驗記錄本的概念
　　8.2.2　電子實驗記錄本的功能
　8.3　中藥分析信息智能管理
　　8.3.1　中藥化學信息數據庫
　　8.3.2　中藥化合物數據庫
　8.4　中藥指紋圖譜數據庫管理系統(tǒng)
　　8.4.1　系統(tǒng)功能
　　8.4.2　應用實例
　8.5　數字中藥信息系統(tǒng)
　　8.5.1　數字中藥信息系統(tǒng)結構
　　8.5.2　數字中藥信息系統(tǒng)功能
　8.6　中藥分析信息的數據挖掘
　　8.6.1　基于因果關系發(fā)現的中藥有效組分辨識方法
　　8.6.2　中藥材關鍵藥效成分辨識方法研究實例
　　8.6.3　中藥復方關鍵藥效成分辨識方法研究實例
　　8.6.4　中藥復方有效組分配伍優(yōu)化方法研究實例
　參考文獻
第9章 　生物芯片分析信息處理
　9.1　生物芯片概述
　9.2　生物芯片分析過程
　9.3　芯片數據獲取
　　9.3.1　芯片圖像處理
　　9.3.2　歸一化方法
　　9.3.3　芯片數據形式
　9.4　芯片數據分析
　　9.4.1　差異分析
　　9.4.2　分類分析
　　9.4.3　聚類分析
　　9.4.4　網絡分析
　　9.4.5　可視化方法
　9.5　芯片分析信息處理發(fā)展趨勢
　　9.5.1　數據質量評價與歸一化
　　9.5.2　差異分析
　　9.5.3　測度選擇　
　　9.5.4　基因相互關系發(fā)現
　　9.5.5　聚類結果驗證
　參考文獻
第10章 　組學分析信息處理
　10.1　組學及組學分析信息處理技術概述
　10.2　蛋白質組分析信息處理
　　10.2.1　蛋白質組分析信息處理簡述
　　10.2.2　基于形態(tài)特征的雙向電泳圖像處理方法
　10.3　代謝組分析信息處理
　　10.3.1　代謝組信息處理技術簡述
　　10.3.2　腎陽虛模型大鼠代謝模式分析
　　10.3.3　乳腺癌代謝物組模式特征發(fā)現
　　10.3.4　肺癌患者尿液代謝組分析
　10.4　展望 　　
　　10.4.1　組學分析信息處理的應用前景
　　10.4.2　組學分析信息學　
　參考文獻
附錄
　1　線性空間預備知識
　　1.1　基本概念及定義
　　1.2　矩陣代數
　　1.3　矩陣和向量的微積分
　2　點盒分形維
　　2.1　分形的定義
　　2.2　分形維數定義
　　2.3　點盒維數定義