基于深度学习的生命科学

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