免费av毛片不卡无码,亚洲欧洲日产国码无码APP

內(nèi)容簡(jiǎn)介

　　生物醫(yī)藥大數(shù)據(jù)蘊(yùn)含了非常豐富的信息和知識(shí)，是關(guān)乎人類(lèi)生存與健康的重要戰(zhàn)略資源，但只有對(duì)生物醫(yī)藥大數(shù)據(jù)進(jìn)行高效處理和智能分析，才能真正推動(dòng)生物醫(yī)藥研究和產(chǎn)業(yè)化從原來(lái)的假設(shè)驅(qū)動(dòng)向數(shù)據(jù)驅(qū)動(dòng)轉(zhuǎn)變，因而近些年來(lái)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(shū)簡(jiǎn)要介紹了并行計(jì)算、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用于生物醫(yī)藥大數(shù)據(jù)的相關(guān)基礎(chǔ)知識(shí)，并總結(jié)了作者團(tuán)隊(duì)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(dá)譜分析、微生物基因組、藥物虛擬篩選、腫瘤基因表達(dá)譜分類(lèi)、RNA編輯位點(diǎn)識(shí)別、增強(qiáng)子識(shí)別等，以作者團(tuán)隊(duì)的研究成果為實(shí)際案例，詳細(xì)介紹了研究的路線和方法。本書(shū)屬于高性能計(jì)算、大數(shù)據(jù)、機(jī)器學(xué)習(xí)和生物醫(yī)藥等專(zhuān)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(zhuān)業(yè)高年級(jí)本科生和研究生的補(bǔ)充教材。

作者簡(jiǎn)介

　　彭紹亮國(guó)家超級(jí)計(jì)算長(zhǎng)沙中心副主任，湖南大學(xué)信息科學(xué)與工程學(xué)院教授、博導(dǎo)，湖南大學(xué)教育輿情研究中心副主任（兼），2020年被聘為長(zhǎng)江學(xué)者特聘教授，2019年獲湖南省杰出青年基金支持，長(zhǎng)期從事高性能計(jì)算、大數(shù)據(jù)、生物信息、人工智能、區(qū)塊鏈等方面研究。擔(dān)任國(guó)防科技大學(xué)“天河”系列超級(jí)計(jì)算機(jī)生命科學(xué)方向負(fù)責(zé)人，國(guó)防科技大學(xué)/華大基因兼職教授，鵬城實(shí)驗(yàn)室智慧醫(yī)療平臺(tái)課題負(fù)責(zé)人，中央軍委科技委生物交叉立項(xiàng)專(zhuān)家組成員，科技部、工信部、教育部會(huì)評(píng)專(zhuān)家；中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）理事，生物信息學(xué)、計(jì)算機(jī)應(yīng)用專(zhuān)委副主任，大數(shù)據(jù)、高性能計(jì)算專(zhuān)委常委，區(qū)塊鏈專(zhuān)委委員，CCF杰出會(huì)員和杰出講者；湖南省生物信息學(xué)會(huì)發(fā)起人、理事長(zhǎng)，3個(gè)SCI期刊和多個(gè)EI期刊的主編、副主編。出版專(zhuān)著7部，發(fā)表學(xué)術(shù)論文上百篇，Google引用五千余次。負(fù)責(zé)“天河”系列超級(jí)計(jì)算機(jī)應(yīng)用軟件研發(fā)工作，主持和參與科技部、國(guó)家自然科學(xué)基金委重點(diǎn)項(xiàng)目，973/863項(xiàng)目等項(xiàng)目13項(xiàng)。獲2019年國(guó)家科學(xué)技術(shù)進(jìn)步獎(jiǎng)二等獎(jiǎng)，2019年湖南省技術(shù)發(fā)明獎(jiǎng)一等獎(jiǎng)（排名第1），2013年軍隊(duì)科學(xué)技術(shù)進(jìn)步獎(jiǎng)一等獎(jiǎng)，2018年CCF科學(xué)技術(shù)獎(jiǎng)自然科學(xué)二等獎(jiǎng)（排名第1），2016年榮立三等功。王曉偉國(guó)防科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)博士、軟件工程博士后科研流動(dòng)站博士后。長(zhǎng)期從事網(wǎng)絡(luò)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(jí)計(jì)算機(jī)應(yīng)用軟件研發(fā)工作，獲2017年軍隊(duì)科學(xué)技術(shù)進(jìn)步獎(jiǎng)一等獎(jiǎng)。參與國(guó)家863計(jì)劃、國(guó)家重點(diǎn)研發(fā)計(jì)劃、國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目等項(xiàng)目6項(xiàng)，參與制定國(guó)家及行業(yè)標(biāo)準(zhǔn)3項(xiàng)，作為第一譯者出版譯著2部（《命令行中的數(shù)據(jù)科學(xué)》《實(shí)時(shí)分析：流數(shù)據(jù)的分析與可視化技術(shù)》），參與編寫(xiě)教材2部（《生物信息計(jì)算》《大數(shù)據(jù)導(dǎo)論》）。

圖書(shū)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(jì)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(shū)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(jì)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(jì)算　10
2．2．1　計(jì)算密集型和數(shù)據(jù)密集型　11
2．2．2　并行計(jì)算的粒度　11
2．2．3　并行編程的一般設(shè)計(jì)過(guò)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(dá)譜分析　13
3．1　基因表達(dá)譜分析與生物效應(yīng)評(píng)估概述　14
3．2　海量基因表達(dá)譜快速查詢(xún)　15
3．2．1　GSEA 工具　15
3．2．2　海量基因表達(dá)譜查詢(xún)算法　17
3．2．3　性能評(píng)估　25
3．3　海量基因表達(dá)譜并行比對(duì)與聚類(lèi)　27
3．3．1　基因表達(dá)數(shù)據(jù)庫(kù) CMap　28
3．3．2　基因表達(dá)譜并行比對(duì)　29
3．3．3　基因表達(dá)譜并行聚類(lèi)　30
3．3．4　性能評(píng)估　34
3．4　總結(jié)　40
第　4 章功能性前噬菌體預(yù)測(cè)　42
4．1　前噬菌體預(yù)測(cè)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(yù)測(cè)的挑戰(zhàn)　45
4．2　功能性前噬菌體預(yù)測(cè)算法　47
4．2．1　LysoPhD 流程設(shè)計(jì)　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(yù)測(cè)　50
4．2．4　前噬菌體范圍的精確預(yù)測(cè)　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(píng)估　57
4．3　預(yù)測(cè)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(kù)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(jì)與實(shí)現(xiàn)　73
5．2．3　性能評(píng)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(píng)估　86
5．4　基于“天河二號(hào)”超級(jí)計(jì)算機(jī)的大規(guī)模高通量藥物虛擬篩選平臺(tái)　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(jì)　91
5．4．3　性能評(píng)估　93
5．4．4　應(yīng)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(jī)器學(xué)習(xí)技術(shù)　102
6．2　深度學(xué)習(xí)在生物醫(yī)藥大數(shù)據(jù)中的應(yīng)用　103
6．2．1　在組學(xué)研究中的應(yīng)用　104
6．2．2　在生物醫(yī)學(xué)影像中的應(yīng)用　105
6．2．3　在生物醫(yī)學(xué)信號(hào)處理中的應(yīng)用　105
6．2．4　在藥物研發(fā)中的應(yīng)用　106
6．3　常見(jiàn)的深度學(xué)習(xí)模型和框架　107
6．3．1　常見(jiàn)的深度學(xué)習(xí)模型　107
6．3．2　常見(jiàn)的深度學(xué)習(xí)框架　111
6．4　深度學(xué)習(xí)解決生物大數(shù)據(jù)問(wèn)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(yù)處理　113
6．4．3　模型訓(xùn)練　115
6．4．4　性能評(píng)估　116
6．5　總結(jié)　117
第　7 章基于字典學(xué)習(xí)的腫瘤基因表達(dá)譜分類(lèi)　118
7．1　腫瘤基因表達(dá)譜分類(lèi)概述　119
7．1．1　腫瘤與基因表達(dá)譜　119
7．1．2　分類(lèi)算法　123
7．2　基于判別投影的字典學(xué)習(xí)基因表達(dá)譜分類(lèi)　126
7．2．1　字典學(xué)習(xí)分類(lèi)算法　126
7．2．2　基于判別投影的字典學(xué)習(xí)算法　128
7．2．3　性能評(píng)估　132
7．3　結(jié)合集成學(xué)習(xí)的字典學(xué)習(xí)基因表達(dá)譜分類(lèi)　134
7．3．1　集成學(xué)習(xí)　134
7．3．2　結(jié)合集成學(xué)習(xí)的字典學(xué)習(xí)算法　136
7．3．3　性能評(píng)估　140
7．4　基于隨機(jī)序列和樣本距離的基因表達(dá)譜特征選擇　143
7．4．1　數(shù)據(jù)預(yù)處理方法　144
7．4．2　腫瘤基因表達(dá)譜數(shù)據(jù)的特征選擇　145
7．4．3　性能評(píng)估　148
7．5　總結(jié)　149
第　8 章基于深度學(xué)習(xí)的 RNA 編輯位點(diǎn)識(shí)別　150
8．1　RNA 編輯識(shí)別概述　150
8．1．1　RNA 編輯　150
8．1．2　RNA 編輯識(shí)別面臨的挑戰(zhàn)　151
8．2　RNA 編輯位點(diǎn)金標(biāo)集的構(gòu)建　152
8．2．1　ENCODE 計(jì)劃　152
8．2．2　基于 ENCODE 計(jì)劃的 RNA 編輯位點(diǎn)金標(biāo)集設(shè)計(jì)　154
8．2．3　訓(xùn)練集和測(cè)試集的構(gòu)建　155
8．3　基于雙向 LSTM 的 RNA 編輯位點(diǎn)識(shí)別　157
8．3．1　雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)　157
8．3．2　rnnRed 算法網(wǎng)絡(luò)模型的構(gòu)建、訓(xùn)練及性能評(píng)估　158
8．4　基于 ResNet 的 RNA 編輯位點(diǎn)識(shí)別　165
8．4．1　殘差網(wǎng)絡(luò)　165
8．4．2　cnnRed 算法網(wǎng)絡(luò)模型的構(gòu)建、訓(xùn)練及性能評(píng)估　166
8．5　總結(jié)　171
第　9 章基于深度學(xué)習(xí)的增強(qiáng)子識(shí)別　172
9．1　增強(qiáng)子識(shí)別概述　172
9．2　增強(qiáng)子識(shí)別神經(jīng)網(wǎng)絡(luò)　174
9．2．1　模型的設(shè)計(jì)　174
9．2．2　模型的優(yōu)化　177
9．3　增強(qiáng)子序列數(shù)據(jù)集的預(yù)處理　178
9．3．1　增強(qiáng)子數(shù)據(jù)集　178
9．3．2　增強(qiáng)子序列的數(shù)值映射　179
9．4　模型的訓(xùn)練　180
9．4．1　訓(xùn)練集及實(shí)驗(yàn)平臺(tái)　180
9．4．2　參數(shù)的選擇　181
9．5　模型的預(yù)測(cè)評(píng)估　182
9．5．1　測(cè)試集及實(shí)驗(yàn)平臺(tái)　182
9．5．2　性能度量指標(biāo)　182
9．5．3　模型性能評(píng)估　184
9．6　總結(jié)　186
參考文獻(xiàn)　187