导语

  

内容提要

  

    深度学习在许多领域已经取得了令人瞩目的成就。而今，它正在整个科学界特别是生命科学界掀起波澜。本书是一本注重实际操作的书，为开发者和科学研究者讲述了如何在基因组学、化学、生物物理学、显微镜学、医学分析及其他领域中应用深度学习。
    本书介绍了一些深度网络原型，非常适合那些准备将自己的技能应用于诸如生物学、遗传学和药物发现等科学应用的开发人员和科学家。你将跟随设计一个将物理、化学、生物学和医学联系在一起的新疗法问题的案例研究，该案例代表了科学研究中的一个最具挑战性的问题。通过本书，你将学到：
    ·学习在分子数据上执行机器学习的基础知识。
    ·理解为什么深度学习是研究遗传学和基因组学的有力工具。
    ·应用深度学习理解生物物理系统。
    ·通过DeepChem获得机器学习的简单认识。
    ·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图像。
    ·了解变分自编码器和生成对抗网络。
    ·解释你的模型在做什么以及它是如何工作的。

前言
第1章  为什么是生命科学？
  为什么是深度学习？
  当代生命科学是关于数据的
  你能学到什么？
第2章  深度学习概论
  线性模型
  多层感知器
  训练模型
  验证
  正则化
  超参数优化
  其他类型的模型
    卷积神经网络
    递归神经网络
  延伸阅读
第3章  基于DeepChem的机器学习
  DeepChem数据集
  训练一个预测分子毒性的模型
  案例研究：训练MNIsT模型
    MNIST数字识别数据集
    MNIST的卷积结构
  softmax和SoftMaxCrossEntropy
  结论
第4章  分子的机器学习
  什么是分子？
    什么是分子键？
    分子图
    分子构型
    分子的手性
  分子的特征表示
    SMILES字符串和RDKit
    扩展一连接指纹
    分子描述符
  图卷积
  训练一个模型来预测溶解度
  MoleculeNet
    SMARTS字符串
  结论
第5章  生物物理的机器学习
  蛋白质结构
    蛋白质序列
  不能用计算方法预测3D蛋白质结构吗？
    蛋白质结合简介
  生物物理数据的特征化
    网格特征化
    原子特征化
  PDBBind案例研究
    PDBBind数据集
    特征化PDBBind数据集
  结论
第6章  基因组学的深度学习
  DNA、RNA和蛋白质
  现在是现实世界
  转录因子的结合
    一个用于TF结合的卷积模型
  染色质可接近性
  RNA干扰
  结论
第7章  显微镜检查的机器学习
  显微学简介
    现代光学显微技术
  衍射极限
    电子和原子力显微技术
    超分辨显微技术
    深度学习和衍射极限？
  制备生物显微镜样本
    染色
    样本固定
    切片样本
    荧光显微技术
    样本制备工件
  深度学习应用
    细胞计数
  什么是细胞系？
    细胞分割
    计算分析
  结论
第8章  医学领域的深度学习
  计算机辅助诊断
  贝叶斯网络的概率诊断
  电子健康记录数据
  ICD-10编码
  那么无监督学习呢？
    患者EHR大型数据库存在危险吗？
  用于放射学的深度学习
    x线扫描和CT扫描
    组织学
    核磁共振扫描
  学习模型作为一种治疗方法
    糖尿病视网膜病变
  结论
    道德考虑
    失业
    小结
第9章  生成模型
  变分自编码
  生成对抗网络
  生成模型在生命科学中的应用
    为先导化合物提供新思路
    蛋白质的设计
    用于科学发现的工具
    生成建模的未来
  使用生成模型
    分析生成模型的输出
  结论
第10章  深层模型的解释
  解释预测
  优化输入
  预测的不确定性
  可解释性、可扩展性和实际后果
  结论
第11章  虚拟筛选工作流示例
  为预测建模准备数据集
  训练预测模型
  为模型预测准备数据集
  应用预测模型
  结论
第12章  前景和展望
  医学诊断
  个性化医疗
  药物研发
  生物学研究
  结论