人工智能驅動的組學挖掘是數(shù)據(jù)驅動的生物醫(yī)學研究的支撐技術。組學測序技術逐步向多尺度、跨模態(tài)、有擾動等方向發(fā)展，但體現(xiàn)出的高維度、高噪聲、多模態(tài)、標記稀缺等特點，成為制約其有效挖掘的瓶頸。本書面向生命組學數(shù)據(jù)特點，較為系統(tǒng)和深入地對組學機器學習的主要研究范式、適用場景、分析方法、理論思想進行介紹。結合相應組學挖掘的具體研究案例，向讀者展示組學人工智能驅動的生命健康交叉研究的絢爛圖景。
更多科學出版社服務，請掃碼獲取。
目錄
第一部分 組學機器學習導論
第1章 組學機器學習概述 3
1.1 組學概述 3
1.2 組學機器學習 6
1.3 本章小結 8
參考文獻 10
第二部分 組學的表征學習
第2章 組學的表征——度量13
2.1 度量學習 13
2.2 案例一：基于參考單細胞轉錄組進行細胞類型識別的度量學習 17
2.3 案例二：整合多個參考單細胞組進行細胞類型識別的度量學習 34
2.4 案例三：藥物基因組的度量學習 47
2.5 本章小結 58
參考文獻 58
第3章 組學的表征——嵌入66
3.1 嵌入66
3.2 案例：CRISPR功能基因組的嵌入學習72
3.3 本章小結 83
參考文獻 84
第4章組學的表征——多模態(tài)整合 87
4.1多模態(tài)整合87
4.2案例：單細胞RNA-seq和單細胞ATAC-seq多模態(tài)整合 95
4.3本章小結 114
參考文獻114
第三部分 組學的弱監(jiān)督學習
第5章 組學的不完備監(jiān)督——半監(jiān)督學習 123
5.1 半監(jiān)督學習 123
5.2 案例：抗癌藥物組合預測的半監(jiān)督學習 127
5.3 本章小結 138
參考文獻138
第6章 組學的不完備監(jiān)督——遷移學習141
6.1 遷移學習 141
6.2 案例一：基因編輯系統(tǒng)優(yōu)化設計的遷移學習146
6.3 案例二：藥物小分子設計的遷移學習 158
6.4 本章小結 166
參考文獻167
第7章 組學的不完備監(jiān)督——元學習 171
7.1 元學習171
7.2 案例：抗原 -TCR識別的元學習 175
7.3 本章小結 186
參考文獻187
第8章 組學的不完備監(jiān)督——主動學習190
8.1 主動學習 190
8.2 案例：基于主動學習的化學反應定量建模 198
8.3 本章小結 208
參考文獻208
第四部分 組學的隱私計算
第9章 組學的隱私保護——聯(lián)邦學習 217
9.1 聯(lián)邦學習 217
9.2 案例一：藥物小分子定量構效關系建模的聯(lián)邦學習 220
9.3 案例二：單細胞組學整合的聯(lián)邦學習 225
9.4 本章小結 233
參考文獻 234
總結與展望 237
術語表 239
書單推薦
