生物醫(yī)藥大數(shù)據(jù)與智能分析

定　價：￥99.80

作　者：	彭紹亮著
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115558435	出版時間：	2021-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	195	字數(shù)：

內(nèi)容簡介

　　生物醫(yī)藥大數(shù)據(jù)蘊含了非常豐富的信息和知識，是關(guān)乎人類生存與健康的重要戰(zhàn)略資源，但只有對生物醫(yī)藥大數(shù)據(jù)進行高效處理和智能分析，才能真正推動生物醫(yī)藥研究和產(chǎn)業(yè)化從原來的假設(shè)驅(qū)動向數(shù)據(jù)驅(qū)動轉(zhuǎn)變，因而近些年來生物醫(yī)藥大數(shù)據(jù)與智能分析逐漸成為潛力巨大且發(fā)展迅猛的交叉領(lǐng)域。本書簡要介紹了并行計算、機器學習和深度學習應用于生物醫(yī)藥大數(shù)據(jù)的相關(guān)基礎(chǔ)知識，并總結(jié)了作者團隊在生物醫(yī)藥大數(shù)據(jù)處理和分析領(lǐng)域的若干成果，主要涵蓋基因表達譜分析、微生物基因組、藥物虛擬篩選、腫瘤基因表達譜分類、RNA編輯位點識別、增強子識別等，以作者團隊的研究成果為實際案例，詳細介紹了研究的路線和方法。本書屬于高性能計算、大數(shù)據(jù)、機器學習和生物醫(yī)藥等專業(yè)的交叉領(lǐng)域，可以為這些領(lǐng)域的研究人員提供參考，也可作為相關(guān)專業(yè)高年級本科生和研究生的補充教材。

作者簡介

　　彭紹亮國家超級計算長沙中心副主任，湖南大學信息科學與工程學院教授、博導，湖南大學教育輿情研究中心副主任（兼），2020年被聘為長江學者特聘教授，2019年獲湖南省杰出青年基金支持，長期從事高性能計算、大數(shù)據(jù)、生物信息、人工智能、區(qū)塊鏈等方面研究。擔任國防科技大學“天河”系列超級計算機生命科學方向負責人，國防科技大學/華大基因兼職教授，鵬城實驗室智慧醫(yī)療平臺課題負責人，中央軍委科技委生物交叉立項專家組成員，科技部、工信部、教育部會評專家；中國計算機學會（CCF）理事，生物信息學、計算機應用專委副主任，大數(shù)據(jù)、高性能計算專委常委，區(qū)塊鏈專委委員，CCF杰出會員和杰出講者；湖南省生物信息學會發(fā)起人、理事長，3個SCI期刊和多個EI期刊的主編、副主編。出版專著7部，發(fā)表學術(shù)論文上百篇，Google引用五千余次。負責“天河”系列超級計算機應用軟件研發(fā)工作，主持和參與科技部、國家自然科學基金委重點項目，973/863項目等項目13項。獲2019年國家科學技術(shù)進步獎二等獎，2019年湖南省技術(shù)發(fā)明獎一等獎（排名第1），2013年軍隊科學技術(shù)進步獎一等獎，2018年CCF科學技術(shù)獎自然科學二等獎（排名第1），2016年榮立三等功。王曉偉國防科技大學計算機科學與技術(shù)專業(yè)博士、軟件工程博士后科研流動站博士后。長期從事網(wǎng)絡空間安全、生物醫(yī)藥、軍事信息系統(tǒng)等領(lǐng)域的大數(shù)據(jù)與人工智能技術(shù)研發(fā)工作。作為骨干參與“天河”系列超級計算機應用軟件研發(fā)工作，獲2017年軍隊科學技術(shù)進步獎一等獎。參與國家863計劃、國家重點研發(fā)計劃、國家自然科學基金重點項目等項目6項，參與制定國家及行業(yè)標準3項，作為第一譯者出版譯著2部（《命令行中的數(shù)據(jù)科學》《實時分析：流數(shù)據(jù)的分析與可視化技術(shù)》），參與編寫教材2部（《生物信息計算》《大數(shù)據(jù)導論》）。

圖書目錄

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　并行計算　10
2．2．1　計算密集型和數(shù)據(jù)密集型　11
2．2．2　并行計算的粒度　11
2．2．3　并行編程的一般設(shè)計過程　11
2．2．4　并行編程模型　12
2．3　總結(jié)　12
第　3 章海量基因表達譜分析　13
3．1　基因表達譜分析與生物效應評估概述　14
3．2　海量基因表達譜快速查詢　15
3．2．1　GSEA 工具　15
3．2．2　海量基因表達譜查詢算法　17
3．2．3　性能評估　25
3．3　海量基因表達譜并行比對與聚類　27
3．3．1　基因表達數(shù)據(jù)庫 CMap　28
3．3．2　基因表達譜并行比對　29
3．3．3　基因表達譜并行聚類　30
3．3．4　性能評估　34
3．4　總結(jié)　40
第　4 章功能性前噬菌體預測　42
4．1　前噬菌體預測概述　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測的挑戰(zhàn)　45
4．2　功能性前噬菌體預測算法　47
4．2．1　LysoPhD 流程設(shè)計　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測　50
4．2．4　前噬菌體范圍的精確預測　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　性能評估　57
4．3　預測算法并行化　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)計與實現(xiàn)　73
5．2．3　性能評估　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　性能評估　86
5．4　基于“天河二號”超級計算機的大規(guī)模高通量藥物虛擬篩選平臺　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　91
5．4．3　性能評估　93
5．4．4　應用研究　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)的機器學習技術(shù)　102
6．2　深度學習在生物醫(yī)藥大數(shù)據(jù)中的應用　103
6．2．1　在組學研究中的應用　104
6．2．2　在生物醫(yī)學影像中的應用　105
6．2．3　在生物醫(yī)學信號處理中的應用　105
6．2．4　在藥物研發(fā)中的應用　106
6．3　常見的深度學習模型和框架　107
6．3．1　常見的深度學習模型　107
6．3．2　常見的深度學習框架　111
6．4　深度學習解決生物大數(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)預處理　113
6．4．3　模型訓練　115
6．4．4　性能評估　116
6．5　總結(jié)　117
第　7 章基于字典學習的腫瘤基因表達譜分類　118
7．1　腫瘤基因表達譜分類概述　119
7．1．1　腫瘤與基因表達譜　119
7．1．2　分類算法　123
7．2　基于判別投影的字典學習基因表達譜分類　126
7．2．1　字典學習分類算法　126
7．2．2　基于判別投影的字典學習算法　128
7．2．3　性能評估　132
7．3　結(jié)合集成學習的字典學習基因表達譜分類　134
7．3．1　集成學習　134
7．3．2　結(jié)合集成學習的字典學習算法　136
7．3．3　性能評估　140
7．4　基于隨機序列和樣本距離的基因表達譜特征選擇　143
7．4．1　數(shù)據(jù)預處理方法　144
7．4．2　腫瘤基因表達譜數(shù)據(jù)的特征選擇　145
7．4．3　性能評估　148
7．5　總結(jié)　149
第　8 章基于深度學習的 RNA 編輯位點識別　150
8．1　RNA 編輯識別概述　150
8．1．1　RNA 編輯　150
8．1．2　RNA 編輯識別面臨的挑戰(zhàn)　151
8．2　RNA 編輯位點金標集的構(gòu)建　152
8．2．1　ENCODE 計劃　152
8．2．2　基于 ENCODE 計劃的 RNA 編輯位點金標集設(shè)計　154
8．2．3　訓練集和測試集的構(gòu)建　155
8．3　基于雙向 LSTM 的 RNA 編輯位點識別　157
8．3．1　雙向長短時記憶網(wǎng)絡　157
8．3．2　rnnRed 算法網(wǎng)絡模型的構(gòu)建、訓練及性能評估　158
8．4　基于 ResNet 的 RNA 編輯位點識別　165
8．4．1　殘差網(wǎng)絡　165
8．4．2　cnnRed 算法網(wǎng)絡模型的構(gòu)建、訓練及性能評估　166
8．5　總結(jié)　171
第　9 章基于深度學習的增強子識別　172
9．1　增強子識別概述　172
9．2　增強子識別神經(jīng)網(wǎng)絡　174
9．2．1　模型的設(shè)計　174
9．2．2　模型的優(yōu)化　177
9．3　增強子序列數(shù)據(jù)集的預處理　178
9．3．1　增強子數(shù)據(jù)集　178
9．3．2　增強子序列的數(shù)值映射　179
9．4　模型的訓練　180
9．4．1　訓練集及實驗平臺　180
9．4．2　參數(shù)的選擇　181
9．5　模型的預測評估　182
9．5．1　測試集及實驗平臺　182
9．5．2　性能度量指標　182
9．5．3　模型性能評估　184
9．6　總結(jié)　186
參考文獻　187