生物信息学中的机器学习分析方法

机器学习,分析方法 

《生物信息学中的机器学习分析方法》针对生物信息学领域中海量的生物数据，分别从微阵列数据的分析和处理、基因调控网络的分析和构建以及蛋白质相互作用网络的分析等角度，系统介绍机器学习、统计学习及各种智能算法在生物信息学相关领域的应用。机器学习在生物信息学领域的研究重心集中在观测和探索生物现象，以及建立统一的形式化的模型对生物学现象加以阐释。《生物信息学中的机器学习分析方法》针对生物信息学领域典型的癌症诊断模型、基因调控网络构建和蛋白质相互作用网络分析3个研究方向展开机器学习数据挖掘方法的分析与研究，为生物信息学方向的初学者提供了入门知识，也为相关研究人员在相关方向提供了参考信息。

目录
前言
0 绪论 1
0.1 生物信息学的概念 1
0.2 生物信息学的研究内容 1
0.3 微阵列分析技术 2
0.4 基因调控网络 9
0.5 蛋白质相互作用网络 11
0.6 机器学习方法及应用 12
0.7 本书主要内容和安排 15
参考文献 15
第I篇 微阵列数据的分析和处理
第1章 基于核方法的多病类DNA微阵列数据集成分类器 21
1.1 核机器学习 22
1.2 基分类器的选择 24
1.3 DNA微阵列数据集成分类器结构框图 29
1.4 实例研究 30
1.5 本章小结 34
参考文献 34
第2章 基于选择性独立成分分析的DNA微阵列数据集成分类器 36
2.1 基于重构样本误差的选择性独立成分分析 37
2.2 实例研究 38
2.3 本章小结 45
参考文献 45
第3章 基于相关性分析的癌症诊断 47
3.1 K均值聚类 48
3.2 基于特征选取的相关系数分析癌症诊断模型 48
3.3 实验结果和分析 51
3.4 本章小结 53
参考文献 53
第4章 基于线性回归的DNA微阵列数据稀疏特征基因选择 55
4.1 特征选择 56
4.2 回归分析 56
4.3 仿真研究 61
4.4 本章小结 64
参考文献 65
第5章 基于贝叶斯理论的DNA甲基化水平数据分型 66
5.1 贝叶斯理论概述 67
5.2 基于贝叶斯理论的DNA甲基化水平数据分型 70
5.3 聚类性能评估 74
5.4 仿真研究 75
5.5 本章小结 81
参考文献 8l
第II篇 基因调控网络的分析和构建
第6章 基因表达数据缺失值处理 85
6.1 三种基因表达数据缺失值估计方法 86
6.2 内部规律与外部联系结合的基因表达数据缺失值估计方法 88
6.3 仿真研究 91
6.4 本章小结 98
参考文献 98
第7章 基于角度离散化的基因调控网络定性分析 100
7.1 三种基因调控网络定性分析方法 101
7.2 基于角度离散化的基因调控网络方法 104
7.3 仿真研究 107
7.4 本章小结 109
参考文献 110
第8章 基于模糊标签传递的多时延基因调控网络分析 111
8.1 基于模糊标签传递的多时延基因调控网络 112
8.2 仿真研究 115
8.3 本章小结 118
参考文献 118
第9章 含有色噪声的基因调控网络构建 120
9.1 含有色噪声的基因调控网络模型构建 120
9.2 本章小结 127
参考文献 128
第10章 基于复杂网络的时延基因调控网络构建 129
10.1 基因表达时延的估计 129
10.2 基因调控网络的社团划分 130
10.3 实验结果与分析 132
10.4 本章小结 137
参考文献 137
第III篇 蛋白质相互作用网络的分析
第11章 蛋白质相互作用网络中的重叠模块挖掘 141
11.1 重叠模块挖掘 142
11.2 算法步骤和复杂度分析 145
11.3 实验验证 146
11.4 本章小结 151
参考文献 152
第12章 简洁局部全局一致性学习 154
12.1 局部全局一致性学习算法性能分析 154
12.2 简洁局部全局一致性学习 158
12.3 收敛性证明 159
12.4 实验研究 160
12.5 本章小结 164
参考文献 164
第13章 基于主动半监督学习的蛋白质功能预测 166
13.1 基于主动半监督学刊的蛋白质功能预测 167
13.2 算法步骤 169
13.3 实验结果和分析 170
13.4 本章小结 173
参考文献 173
附录 175