导语

  

内容提要

  

    如果说21世纪是生物学世纪，生物信息学应该是支撑生物学世纪的核心科技之一。而大数据科学和人工智能技术正在将生物信息学推向生命科学和信息科学的前沿。本书分为生物信息学基础篇和生物信息组学技术篇两大部分。生物信息学基础篇从新兴领域切入，介绍生物信息学的计算科学及进化生物学基础(如网络科学与大数据技术、深度学习、计算智能、高维数据分析、马尔可夫链蒙特卡洛法，隐马尔可夫模型，贝叶斯统计、医学生态学、DNA计算、进化树与溯祖树分析、种群遗传学等)。生物信息组学技术篇除经典内容(基因组、转录组、蛋白质组)外，还包括最新的三代基因测序算法和软件(作者团队研发的DBG2OLC和SPARC)、微生物群系(Microbiome)和宏基因组学(Metagenomics)、非编码RNA、新药发现、代谢组学(Metabolomics)等热点内容。
    马占山编著的这本《生物信息学计算技术和软件导论》可作为高等院校生物信息学教材或参考书，也可供相关领域(生物学、生态学、医学、药学、计算科学、农林、食品科学等)的科技工作者阅读参考。

生物信息学基础篇
第1章 生物信息学一些前沿领域简介
  1.1 生物信息大数据
  1.2 复杂网络分析概论
  1.3 复杂网络分析实例：以微生物群系医学生态网络为例
  1.4 深度学习、计算智能与人工智能
  1.5 医学生态学
  1.6 DNA计算机一生物学对计算机科学的回馈
第2章系统发育树与溯祖分析
  2.1 树的概念。
  2.2 主要的建树方法
  2.3 模型选择
  2.4 贝叶斯方法
  2.5 溯祖理论
  2.6 物种树估计
第3章 群体遗传学数据分析软件简介
  3.1 多功能软件比较
  3.2 理论模型与分析方法的实现方式
  3.3 软件运行方式与编程语言
  3.4 总结与展望
第4章 生物信息学中重要统计计算方法和模型
  4.1 计算机模拟技术
  4.2 马尔可夫蒙特卡罗法
  4.3 隐马尔可夫模型
  4.4 贝叶斯统计
  4.5 统计学习
  4.6 高斯图模型
生物信息组学技术篇
第5章 第三代基因测序组装算法和软件技术
  5.1 第三代基因测序及组装技术简介
  5.2 第三代基因组装算法及软件简介：以DBG20LC和SPARc为例
  5.3 三代基因组装算法和软件比较
  5.4 DBG20LC和SPARC软件使用简介
第6章 基因组第二代测序数据的生物信息学分析
  6.1 基因测序技术简介
  6.2 基因组装技术
  6.3 外显子基因突变检测
   6.4 单细胞测序数据的基因组装
第7章 转录组数据的生物信息学分析
  7.1 转录组技术的发展
  7.2 RNA-seq数据的质量控制
  7.3 基于参考基因组的转录组分析
  7.4 无参考基因组的转录组的从头拼装及拼装质量评估
第8章非编码RNA研究常用数据库及软件
  8.1 非编码RNA概述
  8.2 非编码RNA常用数据库
  8.3 非编码RNA研究常用软件
第9章 蛋白质组学研究常用软件简介
  9.1 蛋白质组学简介
  9.2 计算蛋白质组学的应用
  9.3 计算蛋白质组学算法与数据库
第10章 新药物发现中的生物信息学软件简介
  10.1 大型药物设计平台
  10.2 分子视图软件
  10.3 化学结构编辑程序
  10.4 分子对接与虚拟筛选软件
  10.5 配体构象搜索软件
  10.6 药效团模拟软件
  10.7 分子动力学模拟软件
  10.8 在线药物设计资源列表
  10.9 小结
第11章 宏基因组学概述及生物信息学分析
  11.1 宏基因组学技术简介
  11.2 宏基因组学研究流程
  11.3 宏基因测序数据的生物信息学分析
Chapter 12 Bioinformatics for Metabolomics：An Introduction
  Abstract
  12.1 Introduction to Metabolomics
  12.2 Technologies for Metabolomics
  12.3 Data Formats for Metabolomics
  12.4 Databases for Metabolomics
  12.5 General Principles for Metabolomic Data Analysis
  12.6 From Spectra to Metabolite Lists：Bioinformatics for Metabolite Identification
  12.7 From Metabolite Lists to Significant Metabolites：Multivariate Statistics
  12.8 From Significant Metabolites to Pathways：Bioinformatics for Metabolite Interpretation
  12 9 Conclusion