生物醫(yī)藥大數(shù)據(jù)與智能分析

目錄
第　一篇 緒論
第　1 章 生物醫(yī)藥大數(shù)據(jù)與智能分析概述　2
1．1　生物醫(yī)藥大數(shù)據(jù)　2
1．2　生物醫(yī)藥大數(shù)據(jù)的高效處理　3
1．2．1　大規(guī)模并行處理技術(shù)　3
1．2．2　云計(jì)算技術(shù)　5
1．3　生物醫(yī)藥大數(shù)據(jù)的智能分析　5
1．4　總結(jié)　6
1．5　本書的內(nèi)容安排　6
第二篇　生物醫(yī)藥大數(shù)據(jù)的高效處理
第　2 章 生物醫(yī)藥大數(shù)據(jù)高效處理的基礎(chǔ)　9
2．1　大數(shù)據(jù)計(jì)算模型　9
2．1．1　外存模型　9
2．1．2　數(shù)據(jù)流模型　9
2．1．3　PRAM 模型　10
2．1．4　MapReduce 模型　10
2．2　并行計(jì)算　10
2．2．1　計(jì)算密集型和數(shù)據(jù)密集型　11
2．2．2　并行計(jì)算的粒度　11
2．2．3　并行編程的一般設(shè)計(jì)過程　11
2．2．4　并行編程模型　12
2．3　總結(jié)　12
第　3 章 海量基因表達(dá)譜分析　13
3．1　基因表達(dá)譜分析與生物效應(yīng)評(píng)估概述　14
3．2　海量基因表達(dá)譜快速查詢　15
3．2．1　GSEA 工具　15
3．2．2　海量基因表達(dá)譜查詢算法　17
3．2．3　性能評(píng)估　25
3．3　海量基因表達(dá)譜并行比對(duì)與聚類　27
3．3．1　基因表達(dá)數(shù)據(jù)庫 CMap　28
3．3．2　基因表達(dá)譜并行比對(duì)　29
3．3．3　基因表達(dá)譜并行聚類　30
3．3．4　性能評(píng)估　34
3．4　總結(jié)　40
第　4 章 功能性前噬菌體預(yù)測(cè)　42
4．1　前噬菌體預(yù)測(cè)概述　43
4．1．1　噬菌體與功能性前噬菌體　43
4．1．2　前噬菌體與功能性前噬菌體預(yù)測(cè)的挑戰(zhàn)　45
4．2　功能性前噬菌體預(yù)測(cè)算法　47
4．2．1　LysoPhD 流程設(shè)計(jì)　47
4．2．2　數(shù)據(jù)質(zhì)量控制流水線　49
4．2．3　前噬菌體范圍的粗略預(yù)測(cè)　50
4．2．4　前噬菌體范圍的精確預(yù)測(cè)　53
4．2．5　前噬菌體功能性分析　54
4．2．6　基于末端延伸算法的溶原性噬菌體完整序列提取　55
4．2．7　性能評(píng)估　57
4．3　預(yù)測(cè)算法并行化　62
4．3．1　多線程并行加速　63
4．3．2　溶原性噬菌體數(shù)據(jù)庫構(gòu)建　64
4．4　總結(jié)　65
第　5 章 高通量藥物虛擬篩選　67
5．1　藥物虛擬篩選概述　68
5．1．1　藥物虛擬篩選　68
5．1．2　虛擬篩選軟件 D3DOCKxb　70
5．2　基于 CPU 多核的藥物虛擬篩選并行優(yōu)化　71
5．2．1　D3DOCKxb 程序分析　72
5．2．2　基于 CPU 多核的 D3DOCKxb 設(shè)計(jì)與實(shí)現(xiàn)　73
5．2．3　性能評(píng)估　76
5．3　基于 CPU-MIC 協(xié)同的藥物虛擬篩選并行優(yōu)化　79
5．3．1　基于 MIC 協(xié)處理器的 D3DOCKxb 移植　80
5．3．2　CPU-MIC 異構(gòu)協(xié)同的 mD3DOCKxb　84
5．3．3　性能評(píng)估　86
5．4　基于“天河二號(hào)”超級(jí)計(jì)算機(jī)的大規(guī)模高通量藥物虛擬篩選平臺(tái)　90
5．4．1　高通量虛擬篩選的主要挑戰(zhàn)　90
5．4．2　高通量虛擬篩選的算法設(shè)計(jì)　91
5．4．3　性能評(píng)估　93
5．4．4　應(yīng)用研究　97
5．5　總結(jié)　99
第三篇　生物醫(yī)藥大數(shù)據(jù)的智能分析
第　6 章 生物醫(yī)藥大數(shù)據(jù)的智能分析基礎(chǔ)　102
6．1　傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)　102
6．2　深度學(xué)習(xí)在生物醫(yī)藥大數(shù)據(jù)中的應(yīng)用　103
6．2．1　在組學(xué)研究中的應(yīng)用　104
6．2．2　在生物醫(yī)學(xué)影像中的應(yīng)用　105
6．2．3　在生物醫(yī)學(xué)信號(hào)處理中的應(yīng)用　105
6．2．4　在藥物研發(fā)中的應(yīng)用　106
6．3　常見的深度學(xué)習(xí)模型和框架　107
6．3．1　常見的深度學(xué)習(xí)模型　107
6．3．2　常見的深度學(xué)習(xí)框架　111
6．4　深度學(xué)習(xí)解決生物大數(shù)據(jù)問題的一般方法　112
6．4．1　數(shù)據(jù)獲取及編碼　112
6．4．2　數(shù)據(jù)預(yù)處理　113
6．4．3　模型訓(xùn)練　115
6．4．4　性能評(píng)估　116
6．5　總結(jié)　117
第　7 章 基于字典學(xué)習(xí)的腫瘤基因表達(dá)譜分類　118
7．1　腫瘤基因表達(dá)譜分類概述　119
7．1．1　腫瘤與基因表達(dá)譜　119
7．1．2　分類算法　123
7．2　基于判別投影的字典學(xué)習(xí)基因表達(dá)譜分類　126
7．2．1　字典學(xué)習(xí)分類算法　126
7．2．2　基于判別投影的字典學(xué)習(xí)算法　128
7．2．3　性能評(píng)估　132
7．3　結(jié)合集成學(xué)習(xí)的字典學(xué)習(xí)基因表達(dá)譜分類　134
7．3．1　集成學(xué)習(xí)　134
7．3．2　結(jié)合集成學(xué)習(xí)的字典學(xué)習(xí)算法　136
7．3．3　性能評(píng)估　140
7．4　基于隨機(jī)序列和樣本距離的基因表達(dá)譜特征選擇　143
7．4．1　數(shù)據(jù)預(yù)處理方法　144
7．4．2　腫瘤基因表達(dá)譜數(shù)據(jù)的特征選擇　145
7．4．3　性能評(píng)估　148
7．5　總結(jié)　149
第　8 章 基于深度學(xué)習(xí)的 RNA 編輯位點(diǎn)識(shí)別　150
8．1　RNA 編輯識(shí)別概述　150
8．1．1　RNA 編輯　150
8．1．2　RNA 編輯識(shí)別面臨的挑戰(zhàn)　151
8．2　RNA 編輯位點(diǎn)金標(biāo)集的構(gòu)建　152
8．2．1　ENCODE 計(jì)劃　152
8．2．2　基于 ENCODE 計(jì)劃的 RNA 編輯位點(diǎn)金標(biāo)集設(shè)計(jì)　154
8．2．3　訓(xùn)練集和測(cè)試集的構(gòu)建　155
8．3　基于雙向 LSTM 的 RNA 編輯位點(diǎn)識(shí)別　157
8．3．1　雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)　157
8．3．2　rnnRed 算法網(wǎng)絡(luò)模型的構(gòu)建、訓(xùn)練及性能評(píng)估　158
8．4　基于 ResNet 的 RNA 編輯位點(diǎn)識(shí)別　165
8．4．1　殘差網(wǎng)絡(luò)　165
8．4．2　cnnRed 算法網(wǎng)絡(luò)模型的構(gòu)建、訓(xùn)練及性能評(píng)估　166
8．5　總結(jié)　171
第　9 章 基于深度學(xué)習(xí)的增強(qiáng)子識(shí)別　172
9．1　增強(qiáng)子識(shí)別概述　172
9．2　增強(qiáng)子識(shí)別神經(jīng)網(wǎng)絡(luò)　174
9．2．1　模型的設(shè)計(jì)　174
9．2．2　模型的優(yōu)化　177
9．3　增強(qiáng)子序列數(shù)據(jù)集的預(yù)處理　178
9．3．1　增強(qiáng)子數(shù)據(jù)集　178
9．3．2　增強(qiáng)子序列的數(shù)值映射　179
9．4　模型的訓(xùn)練　180
9．4．1　訓(xùn)練集及實(shí)驗(yàn)平臺(tái)　180
9．4．2　參數(shù)的選擇　181
9．5　模型的預(yù)測(cè)評(píng)估　182
9．5．1　測(cè)試集及實(shí)驗(yàn)平臺(tái)　182
9．5．2　性能度量指標(biāo)　182
9．5．3　模型性能評(píng)估　184
9．6　總結(jié)　186
參考文獻(xiàn)　187