合成生物学智能化设计与应用
全新正版 极速发货
￥ 83.69 6.5折 ￥ 129 全新
库存17件
广东广州
认证卖家担保交易快速发货售后保障
作者滕越 著
出版社人民邮电出版社
ISBN9787115635563
出版时间2024-12
装帧精装
开本16开
定价129元
货号1203452824
上书时间2024-12-02
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
1.生物类、计算机类、化工类、环境类、医药专业的本科生及研究生
2.从事生物、信息、医药、化工、能源、资源和环境等领域的科研工作人员、程序开发人员
3.想了解人工智能与合成生物学相关知识的大众读者
目录
目 录
第1章 合成生物学概述 1
1.1 发展历程 1
1.2 定义与本质 3
1.3 基本原理 4
1.3.1 层级化结构 4
1.3.2 工程化设计 11
1.4 主要技术方法 13
1.4.1 DNA合成 14
1.4.2 DNA测序 14
1.4.3 DNA组装 15
1.4.4 基因编辑 16
1.4.5 定向进化 19
1.5 里程碑成果 20
1.5.1 合成能力飞速发展 21
1.5.2 核心技术不断升级 22
1.5.3 创新应用成果凸显 23
1.6 小结 25
1.7 参考文献 25
第2章 人工智能概述 33
2.1 人工智能的发展历程 33
2.2 机器学习技术 35
2.2.1 集成学习 36
2.2.2 强化学习 37
2.2.3 迁移学习 38
2.2.4 反向传播法 39
2.2.5 损失函数与优化器 40
2.2.6 监督学习、半监督学习和无监督学习 40
2.2.7 机器学习在合成生物学中的应用 41
2.3 机器学习主要算法 42
2.3.1 决策树 42
2.3.2 支持向量机 43
2.3.3 支持向量回归 44
2.3.4 贝叶斯网络 44
2.3.5 K-近邻 45
2.3.6 随机森林 45
2.3.7 梯度提升机 46
2.3.8 XGBoost 46
2.4 深度学习基础 47
2.4.1 深度学习框架 47
2.4.2 神经网络 49
2.5 神经网络模型 51
2.5.1 深度置信网络 51
2.5.2 线性神经网络 52
2.5.3 多层感知器 52
2.5.4 卷积神经网络 53
2.5.5 循环神经网络 54
2.5.6 残差神经网络 55
2.5.7 深度生成模型 56
2.5.8 注意力网络 56
2.6 小结 58
2.7 参考文献 59
第3章 合成生物学中的数学模型 61
3.1 标准定量机制 61
3.2 数学模型 62
3.2.1 米氏方程 63
3.2.2 希尔方程 64
3.2.3 种群生长Logistic模型 65
3.2.4 基因表达的随机模型 66
3.2.5 基因调控网络模型 68
3.3 逻辑拓扑结构 70
3.3.1 简单调控 71
3.3.2 级联 72
3.3.3 前馈 72
3.3.4 反馈 74
3.3.5 单输入模块 75
3.3.6 多输入模块 75
3.4 小结 76
3.5 参考文献 76
第4章 调控元件 79
4.1 调控元件的类型及特点 79
4.1.1 原核生物转录调控元件 80
4.1.2 真核生物转录调控元件 83
4.2 调控元件的人工智能挖掘 87
4.2.1 启动子的挖掘 87
4.2.2 转录因子结合位点的挖掘 89
4.3 调控元件的智能设计 91
4.4 采用人工智能算法所面临的挑战 93
4.4.1 “维度灾难”和类不平衡性 94
4.4.2 数据噪声和异质性 94
4.4.3 模型可解释性 95
4.4.4 网络架构的选择 95
4.4.5 计算资源的消耗 95
4.5 小结 95
4.6 参考文献 96
第5章 蛋白质工程 100
5.1 基本策略 100
5.1.1 定向进化 102
5.1.2 半理性设计 103
5.1.3 从头设计蛋白质 105
5.2 人工智能辅助蛋白质工程策略 106
5.2.1 蛋白质数据集的构建 107
5.2.2 蛋白质的向量表示法 108
5.2.3 模型的选择与构建 109
5.2.4 模型的训练与评估 110
5.2.5 模型的可解释性 111
5.3 人工智能在蛋白质工程中的应用实例 112
5.3.1 人工智能颠覆蛋白质结构预测 112
5.3.2 人工智能指导定向进化策略 115
5.3.3 人工智能驱动蛋白质从头设计 117
5.4 人工智能辅助蛋白质工程应用 118
5.4.1 生物医药与抗体研发 119
5.4.2 生物制造与酶工程 120
5.5 小结 121
5.6 参考文献 121
第6章 基因线路 127
6.1 基因线路设计 128
6.1.1 质粒的设计与构建 129
6.1.2 底盘细胞的选择 132
6.1.3 实验设计工具 132
6.2 基因线路的性能优化与建模策略 133
6.2.1 基因线路的性能优化 134
6.2.2 基因线路设计的建模策略 136
6.3 控制系统理论与设计 137
6.3.1 细胞内控制 137
6.3.2 细胞间控制 138
6.3.3 网络细胞控制 139
6.4 利用人工智能设计基因线路 140
6.5 基因线路的应用 142
6.5.1 在生物传感器中的应用 143
6.5.2 在生物医学领域的应用 143
6.5.3 在DNA计算中的应用 144
6.6 小结 145
6.7 参考文献 145
第7章 生物传感器 152
7.1 全细胞生物传感器 152
7.2 基于双组分系统的生物传感器 153
7.2.1 双组分系统简介 154
7.2.2 双组分系统的效率调控 155
7.2.3 双组分系统的特异性 156
7.2.4 双组分系统在生物传感器中的应用 157
7.3 合成生物学使能的生物传感器 158
7.4 人工智能驱动的生物传感器 160
7.5 智能生物传感器的实例及应用 161
7.5.1 智能生物传感器的应用实例 162
7.5.2 智能生物传感器的应用领域 164
7.6 小结 165
7.7 参考文献 166
第8章 工程化载体 170
8.1 工程化载体概述 170
8.1.1 腺病毒工程化载体 171
8.1.2 腺相关病毒工程化载体 172
8.1.3 逆转录病毒工程化载体 174
8.1.4 慢病毒工程化载体 176
8.2 传统设计策略 178
8.2.1 嵌合病毒工程化载体策略 178
8.2.2 镶嵌病毒工程化载体策略 178
8.2.3 假病毒工程化载体策略 178
8.2.4 利用DNA改组技术形成嵌合体 179
8.3 基于合成生物学的工程化载体设计策略 179
8.3.1 基于合成生物学的工程化载体设计特点 180
8.3.2 基于合成生物学的工程化载体设计策略 183
8.3.3 利用人工智能技术优化改造工程化载体 185
8.4 小结 186
8.5 参考文献 187
第9章 微生物基因组 196
9.1 合成基因组 196
9.1.1 病毒基因组的合成 197
9.1.2 细菌基因组的合成 198
9.1.3 真核细胞基因组的
目 录
第1章 合成生物学概述 1
1.1 发展历程 1
1.2 定义与本质 3
1.3 基本原理 4
1.3.1 层级化结构 4
1.3.2 工程化设计 11
1.4 主要技术方法 13
1.4.1 DNA合成 14
1.4.2 DNA测序 14
1.4.3 DNA组装 15
1.4.4 基因编辑 16
1.4.5 定向进化 19
1.5 里程碑成果 20
1.5.1 合成能力飞速发展 21
1.5.2 核心技术不断升级 22
1.5.3 创新应用成果凸显 23
1.6 小结 25
1.7 参考文献 25
第2章 人工智能概述 33
2.1 人工智能的发展历程 33
2.2 机器学习技术 35
2.2.1 集成学习 36
2.2.2 强化学习 37
2.2.3 迁移学习 38
2.2.4 反向传播法 39
2.2.5 损失函数与优化器 40
2.2.6 监督学习、半监督学习和无监督学习 40
2.2.7 机器学习在合成生物学中的应用 41
2.3 机器学习主要算法 42
2.3.1 决策树 42
2.3.2 支持向量机 43
2.3.3 支持向量回归 44
2.3.4 贝叶斯网络 44
2.3.5 K-近邻 45
2.3.6 随机森林 45
2.3.7 梯度提升机 46
2.3.8 XGBoost 46
2.4 深度学习基础 47
2.4.1 深度学习框架 47
2.4.2 神经网络 49
2.5 神经网络模型 51
2.5.1 深度置信网络 51
2.5.2 线性神经网络 52
2.5.3 多层感知器 52
2.5.4 卷积神经网络 53
2.5.5 循环神经网络 54
2.5.6 残差神经网络 55
2.5.7 深度生成模型 56
2.5.8 注意力网络 56
2.6 小结 58
2.7 参考文献 59
第3章 合成生物学中的数学模型 61
3.1 标准定量机制 61
3.2 数学模型 62
3.2.1 米氏方程 63
3.2.2 希尔方程 64
3.2.3 种群生长Logistic模型 65
3.2.4 基因表达的随机模型 66
3.2.5 基因调控网络模型 68
3.3 逻辑拓扑结构 70
3.3.1 简单调控 71
3.3.2 级联 72
3.3.3 前馈 72
3.3.4 反馈 74
3.3.5 单输入模块 75
3.3.6 多输入模块 75
3.4 小结 76
3.5 参考文献 76
第4章 调控元件 79
4.1 调控元件的类型及特点 79
4.1.1 原核生物转录调控元件 80
4.1.2 真核生物转录调控元件 83
4.2 调控元件的人工智能挖掘 87
4.2.1 启动子的挖掘 87
4.2.2 转录因子结合位点的挖掘 89
4.3 调控元件的智能设计 91
4.4 采用人工智能算法所面临的挑战 93
4.4.1 “维度灾难”和类不平衡性 94
4.4.2 数据噪声和异质性 94
4.4.3 模型可解释性 95
4.4.4 网络架构的选择 95
4.4.5 计算资源的消耗 95
4.5 小结 95
4.6 参考文献 96
第5章 蛋白质工程 100
5.1 基本策略 100
5.1.1 定向进化 102
5.1.2 半理性设计 103
5.1.3 从头设计蛋白质 105
5.2 人工智能辅助蛋白质工程策略 106
5.2.1 蛋白质数据集的构建 107
5.2.2 蛋白质的向量表示法 108
5.2.3 模型的选择与构建 109
5.2.4 模型的训练与评估 110
5.2.5 模型的可解释性 111
5.3 人工智能在蛋白质工程中的应用实例 112
5.3.1
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价