基于深度学习的生命科学

图书标准信息

• 作者 [美]巴拉斯拉姆达；[美]彼得伊斯曼；[美]帕特瑞克瓦尔特；[美]维杰潘德
• 出版社 中国电力出版社
• 出版时间 2020-06
• 版次 1
• ISBN 9787519845940
• 定价 68.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 244页
• 字数 284千字

【内容简介】

你将跟随设计一个将物理、化学、生物学和医学联系在一起的新疗法问题的案例研究，该案例代表了科学研究中的一个*挑战性的问题。通过本书，你将学到：
  学习在分子数据上执行机器学习的基础知识。
  理解为什么深度学习是研究遗传学和基因组学的有力工具。
  应用深度学习理解生物物理系统。
  通过DeepChem获得机器学习的简单认识。
  使用深度学习分析显微图像。
  使用深度学习技术分析医学扫描图像。
  了解变分自编码器和生成对抗网络。
  解释你的模型在做什么以及它是如何工作的。

【作者简介】

Bharath Ramsundar是Computable的联合创始人和首席技术官。Peter Eastman在Stanford University开发了计算化学和生物学方面的软件。 Patrick Walters是Relay Therapeutics公司计算与信息学小组的负责人。Vijay Pande是Andreessen Horowitz公司的合伙人。

【目录】

目录

前言 1

第1 章 为什么是生命科学？ 7

为什么是深度学习？ 7

当代生命科学是关于数据的 8

你能学到什么？ 9

第2 章 深度学习概论  15

线性模型 16

多层感知器 18

训练模型 22

验证 24

正则化 25

超参数优化 26

其他类型的模型 28

卷积神经网络 28

递归神经网络 29

延伸阅读 31

第3 章 基于DeepChem 的机器学习  33

DeepChem 数据集 34

训练一个预测分子毒性的模型 36

案例研究：训练MNIST 模型 44

MNIST 数字识别数据集 45

MNIST 的卷积结构 46

softmax 和SoftMaxCrossEntropy 50

结论 51

第4 章 分子的机器学习 53

什么是分子？ 54

什么是分子键？ 56

分子图 58

分子构型 59

分子的手性60

分子的特征表示 62

SMILES 字符串和RDKit 62

扩展– 连接指纹 62

分子描述符63

图卷积 64

训练一个模型来预测溶解度 65

MoleculeNet 67

SMARTS 字符串 67

结论 70

第5 章 生物物理的机器学习  71

蛋白质结构 73

蛋白质序列75

不能用计算方法预测3D 蛋白质结构吗？ 77

蛋白质结合简介 78

生物物理数据的特征化 79

网格特征化80

原子特征化84

PDBBind 案例研究 85

PDBBind 数据集 85

特征化PDBBind 数据集 89

结论 93

第6 章 基因组学的深度学习  97

DNA、RNA 和蛋白质 98

现在是现实世界 100

转录因子的结合 102

一个用于TF 结合的卷积模型 103

染色质可接近性 106

RNA 干扰 109

结论  112

第7 章 显微镜检查的机器学习  115

显微学简介  117

现代光学显微技术  118

衍射极限 120

电子和原子力显微技术 122

超分辨显微技术 124

深度学习和衍射极限? 126

制备生物显微镜样本 126

染色 126

样本固定 128

切片样本 128

荧光显微技术 129

样本制备工件 131

深度学习应用 132

细胞计数 132

什么是细胞系？ 132

细胞分割 136

计算分析 141

结论 141

第8 章 医学领域的深度学习  143

计算机辅助诊断 143

贝叶斯网络的概率诊断 145

电子健康记录数据 146

ICD-10 编码 147

那么无监督学习呢？ 148

患者EHR 大型数据库存在危险吗？ 149

用于放射学的深度学习 150

x 线扫描和CT 扫描 153

组织学 155

核磁共振扫描 156

学习模型作为一种治疗方法 157

糖尿病视网膜病变 158

结论 162

道德考虑 162

失业 163

小结 164

第9 章 生成模型  165

变分自编码 165

生成对抗网络 167

生成模型在生命科学中的应用 169

为先导化合物提供新思路 169

蛋白质的设计 170

用于科学发现的工具 170

生成建模的未来 170

使用生成模型 171

分析生成模型的输出 173

结论 176

第10 章 深层模型的解释  179

解释预测 180

优化输入 183

预测的不确定性 187

可解释性、可扩展性和实际后果 191

结论 192

第11 章 虚拟筛选工作流示例  193

为预测建模准备数据集 194

训练预测模型 201

为模型预测准备数据集 207

应用预测模型  211

结论 219

第12 章 前景和展望  221

医学诊断 221

个性化医疗 223

药物研发 225

生物学研究 226

结论 228