深度学习已经在很多领域取得了令人瞩目的成果。现在，它正在整个科学领域，特别是生命科学领域掀起波澜。这本实用的书教开发人员和科学家如何将深度学习用于基因组学、化学、生物物理学、显微学、医学分析和其他领域。

本书介绍了几种深度网络原语，非常适合准备将其技能应用于生物学、遗传学和药物发现等科学应用的开发人员和科学家。您将了解一个关于设计将物理、化学、生物学和医学联系在一起的新疗法的问题的案例研究——这个例子代表了科学上最大的挑战之一。

  • 了解对分子数据执行机器学习的基础知识

  • 了解为什么深度学习是遗传学和基因组学的强大工具

  • 应用深度学习来理解生物物理系统

  • 简要介绍 DeepChem 的机器学习

  • 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

  • 了解变分自动编码器和生成对抗网络

  • 解释你的模型正在做什么以及它是如何工作的

书名：Deep Learning for the Life Sciences——Applying Deep Learning to Genomics, Microscopy, Drug Discovery, and More

作者：Bharath Ramsundar、Peter Eastman、Pat Walters、Vijay Pande

年份：2019年

出版社：O’Reilly

下载链接：如不能下载，请加入微信群

链接: https://pan.baidu.com/s/1cQUn1J5ydoivQXTMB5bZig?pwd=n9s6

code： https://github.com/deepchem/DeepLearningLifeSciences

书籍汇总：

链接: https://pan.baidu.com/s/1wp1sxh_p5Cv9dI5OpBaSCg?pwd=2arp

前言

近年来，生命科学和数据科学已经融合。机器人技术和自动化的进步使化学家和生物学家能够生成大量数据。今天的科学家一天内生成的数据比 20 年前的前辈在整个职业生涯中生成的数据还要多。这种快速生成数据的能力也带来了许多新的科学挑战。我们不再处于一个可以通过将数据加载到电子表格中并制作几个图来处理数据的时代。为了从这些数据集中提取科学知识，我们必须能够识别和提取非显而易见的关系。

过去几年出现的一项技术是深度学习，它是识别数据模式和关系的强大工具，它是一类算法，彻底改变了图像分析、语言翻译和语音识别等问题的解决方法。深度学习算法擅长识别和利用大型数据集中的模式。由于这些原因，深度学习在生命科学学科中具有广泛的应用。本书概述了深度学习如何在遗传学、药物发现和医学诊断等多个领域中应用。我们描述的许多示例都附有代码示例，这些代码示例提供了方法的实用介绍，并为读者提供了未来研究和探索的起点。


目录

  • 前言

    1. 本书中使用的约定

    2. 使用代码示例

    3. O’Reilly在线学习

    4. 如何联系我们

    5. 致谢

  • 1. 为什么选择生命科学？

    1. 为什么选择深度学习？

    2. 当代生命科学与数据有关

    3. 你会学到什么？

  • 2. 深度学习简介

    1. 线性模型

    2. 多层感知器

    3. 训练模型

    4. 验证

    5. 正则化

    6. 超参数优化

    7. 其他类型的模型

      1. 卷积神经网络

      2. 循环神经网络

    8. 进一步阅读

  • 3. DeepChem 机器学习

    1. DeepChem 数据集

    2. 训练模型来预测分子毒性

    3. 案例研究：训练 MNIST 模型

      1. MNIST 数字识别数据集

      2. MNIST 的卷积架构

    4. 结论

  • 4.分子机器学习

    1. 什么是分子？

      1. 什么是分子键？

      2. 分子图

      3. 分子构象

      4. 分子的手性

    2. 表征分子

      1. SMILES 字符串和 RDKit

      2. 扩展连接指纹

      3. 分子描述符

    3. 图卷积

    4. 训练模型来预测溶解度

    5. 分子网

      1. SMARTS Strings

    6. 结论

  • 5.生物物理机器学习

    1. 蛋白质序列

        2.       蛋白质结合简短入门

      1. 蛋白质结构

    2. 生物物理特征

      1. 网格特征化

      2. 原子特征化

    3. PDBBind 案例研究

      1. PDBBind数据集

      2. PDBBind 数据集的特征

    4. 结论

  • 6. 基因组学深度学习

    1. DNA、RNA 和蛋白质

    2. 现在进入现实世界

    3. 转录因子结合

      1. TF 结合的卷积模型

    4. 染色质可及性

    5. RNA干扰

    6. 结论

  • 7. 显微镜机器学习

    1. 显微镜简介

    2.     现代光学显微镜

    3. 衍射极限

      1. 电子和原子力显微镜

      2. 超分辨率显微镜

      3. 深度学习和衍射极限？

    4. 准备用于显微镜检查的生物样品

      1. 染色

      2. 样品固定

      3. 切片样品

      4. 荧光显微镜

      5. 样品制备工件

    5. 深度学习应用

      1. 细胞计数

      2. 细胞分割

      3. 计算分析

    6. 结论

  • 8. 医学深度学习

    1. 计算机辅助诊断

    2. 使用贝叶斯网络进行概率诊断

    3. 电子健康记录数据

      • 大型患者 EHR 数据库的危险？

    1. 深层放射学

      1. X 射线扫描和 CT 扫描

      2. 组织学

      3. 核磁共振扫描

    2. 学习模型作为治疗方法

    3. 糖尿病性视网膜病变

    4. 结论

      1. 道德考虑

      2. 失业

      3. 概括

  • 9. 生成模型

    1. 变分自动编码器

    2. 生成对抗网络

    3. 生成模型在生命科学中的应用

      1. 产生铅化合物的新想法

      2. 蛋白质设计

      3. 科学发现的工具

      4. 生成建模的未来

    4. 使用生成模型

      1. 分析生成模型的输出

    5. 结论

  • 10.深度模型解读

    1. 解释预测

    2. 优化输入

    3. 预测不确定性

    4. 可解释性、可解释性和现实世界的结果

    5. 结论

  • 11. 虚拟筛选工作流程示例

    1. 准备用于预测建模的数据集

    2. 训练预测模型

    3. 为模型预测准备数据集

    4. 应用预测模型

    5. 结论

  • 12. 前景与展望

    1. 医疗诊断

    2. 个性化医疗

    3. 药物开发

    4. 生物学研究

    5. 结论

  • 索引

微信群                    公众号

  

内容中包含的图片若涉及版权问题，请及时与我们联系删除