生物信息學

內(nèi)容概要

本書介紹了機器學習方法的主要內(nèi)容及其在生物學數(shù)據(jù)處理中的應用。其中對機器學習技術(shù)的理論基礎(chǔ)——貝葉斯概率體系進行了詳細介紹，并在此基礎(chǔ)上著重對神經(jīng)網(wǎng)絡、隱也氏模型以及概率圖模型等方法在生物信息學中的應用作了詳細分析。書中特別列出一章介紹了DNA微陣列和基因表達，以及相關(guān)數(shù)據(jù)的分析方法。本書主要針對兩個讀者群體。一是生物學和生物化學研究人員，他們想了解基于數(shù)據(jù)處理的算法；二是物理、數(shù)學、統(tǒng)計、計算機科學等領(lǐng)域的學者，他們想知道機器學習方法在分子生物學研究中的應用。

作者簡介

皮埃爾·巴爾迪是美國加州大學醫(yī)學院信和計算機科學系教授、生物化學系教授，基因組學和生物信息學研究所所長。
索恩·布魯納克，是丹麥理工大學生物系教授，生物序列分析中心主任。

書籍目錄

第一章	概述第二章	機器學習的基礎(chǔ)：概率理論體系第三章	概率建模和推斷：應用舉例第四章	機器學習算法第五章	神經(jīng)網(wǎng)絡：理論第六章	神經(jīng)網(wǎng)絡：應用第七章	隱馬氏模型：理論第八章	隱馬氏模型：應用第九章	生物信息學中的概率圖模型第十章	進化的概率模型：系統(tǒng)進化樹第十一章	隨機文法和語言學第十二章	微陣列和基因表達第十三章	互聯(lián)網(wǎng)資源和公共數(shù)據(jù)庫附錄A 統(tǒng)計學附錄B 信息論、熵和相對熵附錄C 概率圖模型附錄D HMM的相關(guān)技術(shù)：標定、周期構(gòu)架、狀態(tài)函數(shù)和Dirichlet混合模型附錄E 高斯過程、核方法及支持向量機附錄F 公式和縮寫符號參考文獻基本詞匯英漢對照表

章節(jié)摘錄

　　為了讓標識成為特異性的可靠描述，進入比對的數(shù)據(jù)必須不存在冗余，這是一個基本條件。如果多個序列都包含了某個特定位點，就會對概率分布產(chǎn)生影響?！　『唵蔚臉俗R可視化技術(shù)以及與其相對應的權(quán)重矩陣方法，都是對矩陣中每個位置的獨立分析。我們將會在第6章中闡述神經(jīng)網(wǎng)絡如何進一步拓展這種分析方法。通過計算“正”位點比對結(jié)果中單體的出現(xiàn)頻率與參考分布中頻率的比值，權(quán)重矩陣對每個位置賦予相應的權(quán)重值。給定一個序列，如果將每個位置上單體所對應的權(quán)重的對數(shù)值求和，可以得到一個分值。我們還可以調(diào)整選取一個閾值以實現(xiàn)對于真位點

媒體關(guān)注與評論

　　譯者序　　2002年夏天，中信出版社交給我一本英文原著，是由皮埃爾·巴爾迪(Pierre Baldi)和索恩·布魯納克(Sφren Bruak)兩位教授編寫的《生物信息學——機器學習方法》(第2版)，MIT出版社于2001年出版。出版社的編輯同志告訴我，鑒于本書的學術(shù)價值及其在生物信息學領(lǐng)域的重要性，出版社已購買了本書的中文版權(quán)，并準備作為社里的重點圖書盡快在國內(nèi)翻譯出版。由于本書作者在生命科學、數(shù)學以及計算機科學等多個領(lǐng)域都有相當?shù)脑煸?，加之本書同時涉及了生物信息學的理論基礎(chǔ)和最前沿的實際應用，出

編輯推薦

　　本書作者不僅給我們展示了當今生物信息學大廈的縮影和構(gòu)筑大廈的工具，更重要的是作者帶領(lǐng)我們經(jīng)歷了如何構(gòu)筑這個大廈，如何搭建“腳手架”的過程，這無論對于修補這座廈還是構(gòu)建一座新的大廈都是非常重要的。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    生物信息學 PDF格式下載

---