本书主要介绍了物理模型和大数据分析方法在生物分子中的应用,重点介绍了动态网络、直接耦合分析和机器学习等大数据分析方法。通过阅读本书,读者不仅可以了解网络和机器学习等问题的基础知识,还可以通过小分子结合靶点分析、生物分子相互作用预测和小分子代谢物分类等研究实例,了解相关算法的使用,帮助读者结合自身研究选择合适的大数据分析方法。
样章试读
目录
- 目录
丛书序
序言
前言
第1章 绪论 1
1.1 迅速增长的生物数据 1
1.2 不断发展的理论分析方法 6
1.3 本书的组织与使用 8
参考文献 8
第2章 生物分子网络分析 12
2.1 引言 12
2.2 细胞周期蛋白依赖性激酶研究 13
2.2.1 生物分子网络模型 17
2.2.2 潜在药物口袋分析 18
2.2.3 药物口袋特异性分析 26
2.3 复合物结合靶点分析 29
2.3.1 靶点预测网络模型 30
2.3.2 靶点预测网络模型测试与结果分析 32
2.3.3 靶点预测网络模型普适性分析 35
2.4 小结 39
参考文献 39
第3章 生物分子相互作用预测 47
3.1 引言 47
3.2 相互作用预测模型 50
3.2.1 含有间接相互作用的预测模型 50
3.2.2 直接相互作用预测模型 52
3.3 RNA相互作用预测研究 57
3.3.1 受限玻尔兹曼机预测模型 58
3.3.2 长程空间结构相互作用预测分析 63
3.3.3 相互作用预测结构特征分析 65
3.3.4 相互作用预测与结构建模 67
3.4 小结 70
参考文献 71
第4章 生物分子与深度学习 78
4.1 引言 78
4.2 神经网络与深度学习 80
4.2.1 神经网络 80
4.2.2 单层神经网络 83
4.2.3 多层神经网络 87
4.2.4 反向传播算法 89
4.2.5 常用的深度学习模型 91
4.3 生物代谢物分析研究 95
4.3.1 基于深度学习的代谢物分析模型 98
4.3.2 模型精度与代谢物分析 100
4.3.3 模型信号质量评估 101
4.3.4 单细胞代谢组学的性能验证 102
4.4 小结 102
参考文献 102
附录 110
附录A 结合位点预测主要代码 110
附录B 直接耦合分析主要代码 115
附录C RNA训练集 123
附录D 代谢物分析训练主要代码 133
索引 138