目錄
序
前言
第1章 緒論 1
1.1　引言 1
1.2 人工智能 1
1.2.1 人工智能的發(fā)展歷史 1
1.2.2 人工智能的發(fā)展現(xiàn)狀 3
1.3 大數(shù)據(jù)時代下的生物信息學(xué) 5
1.3.1 生物信息學(xué) 5
1.3.2 組學(xué)大數(shù)據(jù)的誕生 5
1.3.3 組學(xué)數(shù)據(jù)的類型與特點 10
1.3.4 多組學(xué)數(shù)據(jù)融合研究 11
1.4 人工智能在生物信息領(lǐng)域中的應(yīng)用 12
1.4.1 人工智能與生物醫(yī)藥 12
1.4.2 人工智能在多組學(xué)數(shù)據(jù)分析中的應(yīng)用 14
1.5 章節(jié)安排 18
1.6 小結(jié) 21
參考文獻(xiàn) 22
第2章 生物多組學(xué)知識與數(shù)據(jù)庫介紹 26
2.1 引言 26
2.2 組學(xué)基礎(chǔ)知識 26
2.2.1 基因組學(xué) 26
2.2.2 蛋白質(zhì)組學(xué) 27
2.2.3 轉(zhuǎn)錄組學(xué) 28
2.2.4 代謝組學(xué) 29
2.2.5 微生物組學(xué) 30
2.2.6 表觀遺傳組學(xué) 30
2.2.7 單細(xì)胞組學(xué) 31
2.2.8 時空組學(xué) 31
2.3 生物數(shù)據(jù)資源 32
2.3.1 生物信息學(xué)常用數(shù)據(jù)庫 32
2.3.2 基因數(shù)據(jù)資源與常用工具 34
2.3.3 蛋白質(zhì)數(shù)據(jù)資源 34
2.3.4 非編碼RNA數(shù)據(jù)庫 35
2.3.5 代謝物數(shù)據(jù)資源 38
2.3.6 微生物數(shù)據(jù)庫 39
2.3.7 表觀遺傳組學(xué)數(shù)據(jù)庫 40
2.3.8 單細(xì)胞組學(xué)數(shù)據(jù)庫 41
2.3.9 時空組學(xué)數(shù)據(jù)庫 42
2.3.10 疾病及疾病靶點數(shù)據(jù)庫 43
2.3.11 藥物數(shù)據(jù)庫 43
2.4 小結(jié) 45
參考文獻(xiàn) 45
第3章 生物網(wǎng)絡(luò)特性與相似性 48
3.1 引言 48
3.2 生物網(wǎng)絡(luò)概述 48
3.2.1 生物網(wǎng)絡(luò)的構(gòu)建 48
3.2.2 二分網(wǎng)絡(luò)和異構(gòu)網(wǎng)絡(luò) 50
3.3 生物網(wǎng)絡(luò)結(jié)點的度量方法 50
3.3.1 中心性度量方法 51
3.3.2 PageRank算法 52
3.4 相似性計算方法 53
3.4.1 基于拓?fù)浣Y(jié)構(gòu)的相似性 53
3.4.2 基于序列的相似性 54
3.4.3 基于表達(dá)數(shù)據(jù)的相似性 54
3.4.4 基于語義本體的相似性 55
3.4.5 基于關(guān)聯(lián)關(guān)系的相似性 57
3.4.6 基于分子結(jié)構(gòu)的相似性 60
3.4.7 基于網(wǎng)絡(luò)傳播的相似性 60
3.5 小結(jié) 61
參考文獻(xiàn) 62
第4章 智能優(yōu)化算法 64
4.1 引言 64
4.2 粒子群優(yōu)化算法 64
4.2.1 粒子群優(yōu)化算法仿生原理 64
4.2.2 基本粒子群優(yōu)化算法描述 65
4.2.3 基本粒子群優(yōu)化算法步驟 66
4.3 人工魚群算法 66
4.3.1 人工魚群算法仿生原理 66
4.3.2 人工魚群算法描述 67
4.3.3 人工魚群算法步驟 68
4.4 人工蜂群算法 68
4.4.1 人工蜂群算法仿生原理 68
4.4.2 人工蜂群算法描述 69
4.4.3 人工蜂群算法步驟 70
4.5 螢火蟲算法 71
4.5.1 螢火蟲算法仿生原理 71
4.5.2 螢火蟲算法描述 71
4.5.3 螢火蟲算法步驟 72
4.6 布谷鳥搜索算法 72
4.6.1 布谷鳥搜索算法仿生原理 72
4.6.2 布谷鳥搜索算法描述 74
4.6.3 布谷鳥搜索算法步驟 75
4.7 果蠅優(yōu)化算法 75
4.7.1 果蠅優(yōu)化算法仿生原理 75
4.7.2 果蠅優(yōu)化算法描述 75
4.7.3 果蠅優(yōu)化算法步驟 76
4.8 花授粉算法 77
4.8.1 花授粉算法仿生原理 77
4.8.2 花授粉算法描述 77
4.8.3 花授粉算法步驟 77
4.9 鴿群優(yōu)化算法 78
4.9.1 鴿群優(yōu)化算法仿生原理 78
4.9.2 鴿群優(yōu)化算法描述 79
4.9.3 鴿群優(yōu)化算法步驟 80
4.10 小結(jié) 80
參考文獻(xiàn) 81
第5章 機(jī)器學(xué)習(xí) 85
5.1 引言 85
5.2 邏輯回歸 86
5.2.1 邏輯回歸原理 86
5.2.2 模型求解 87
5.3 支持向量機(jī) 88
5.3.1 支持向量機(jī)算法原理 88
5.3.2 核函數(shù) 89
5.4 決策樹和隨機(jī)森林 90
5.4.1 決策樹 91
5.4.2 隨機(jī)森林 92
5.5 神經(jīng)網(wǎng)絡(luò) 93
5.5.1 單層神經(jīng)網(wǎng)絡(luò) 94
5.5.2 多層神經(jīng)網(wǎng)絡(luò) 95
5.5.3 激活函數(shù) 96
5.6 基于劃分的聚類算法 97
5.6.1 k-Means聚類算法 97
5.6.2 k-中心點聚類算法 99
5.7 基于密度的聚類算法 99
5.7.1 DBSCAN算法 99
5.7.2 OPTICS算法 101
5.8 基于層次的聚類算法 102
5.8.1 BIRCH算法 102
5.8.2 變色龍聚類算法 103
5.9 馬爾可夫聚類算法 104
5.10 評價指標(biāo) 106
5.10.1 數(shù)值評價指標(biāo) 107
5.10.2 圖形評價指標(biāo) 109
5.10.3 交叉驗證 109
5.11 小結(jié) 110
參考文獻(xiàn) 110
第6章 深度學(xué)習(xí) 112
6.1 引言 112
6.2 卷積神經(jīng)網(wǎng)絡(luò) 113
6.2.1 卷積的概念 114
6.2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) 115
6.2.3 卷積神經(jīng)網(wǎng)絡(luò)的求解 116
6.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 117
6.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的基本模型 118
6.3.2 長短期記憶網(wǎng)絡(luò) 118
6.3.3 門控循環(huán)單元 119
6.4 自編碼器 120
6.4.1 自編碼器原理 121
6.4.2 深度自編碼器 121
6.4.3 圖自編碼器 122
6.5 圖神經(jīng)網(wǎng)絡(luò) 123
6.5.1 圖神經(jīng)網(wǎng)絡(luò)原理 123
6.5.2 圖神經(jīng)網(wǎng)絡(luò)分類 124
6.6 圖卷積網(wǎng)絡(luò) 126
6.6.1 圖卷積網(wǎng)絡(luò)原理 126
6.6.2 圖卷積網(wǎng)絡(luò)的理解 127
6.7 圖注意力網(wǎng)絡(luò) 128
6.7.1 注意力機(jī)制 129
6.7.2 圖注意力網(wǎng)絡(luò)模型 130
6.8 Word2vec詞嵌入算法 131
6.8.1 詞嵌入 132
6.8.2 連續(xù)詞袋模型 132
6.8.3 跳字模型 132
6.9 小結(jié) 133
參考文獻(xiàn) 134
第7章 PPI網(wǎng)絡(luò)及蛋白質(zhì)復(fù)合物挖掘方法 136
7.1 引言 136
7.2 蛋白質(zhì)復(fù)合物 136
7.2.1 蛋白質(zhì)復(fù)合物作用 136
7.2.2 蛋白質(zhì)復(fù)合物結(jié)構(gòu) 137
7.3 基于群智能優(yōu)化的蛋白質(zhì)復(fù)合物挖掘 139
7.3.1 基于布谷鳥優(yōu)化算法的蛋白質(zhì)復(fù)合物挖掘 139
7.3.2 基于果蠅優(yōu)化算法的蛋白質(zhì)復(fù)合物挖掘 144
7.3.3 基于螢火蟲優(yōu)化算法的蛋白質(zhì)復(fù)合物挖掘 148
7.4 基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的蛋白質(zhì)復(fù)合物挖掘 153
7.4.1 TP-WDPIN算法原理 153
7.4.2 TP-WDPIN算法流程 155
7.4.3 實驗結(jié)果與分析 156
7.5 基于密度聚類算法的蛋白質(zhì)復(fù)合物挖掘 159
7.5.1 基于DBSCAN算法的蛋白質(zhì)復(fù)合物挖掘 159
7.5.2 基于OPTICS算法的蛋白質(zhì)復(fù)合物挖掘 162
7.6 基于馬爾可夫聚類算法的蛋白質(zhì)復(fù)合物挖掘 165
7.6.1 F-MCL算法原理 165
7.6.2 F-MCL算法流程 166
7.6.3 實驗結(jié)果與分析 167
7.7 基于商空間的蛋白質(zhì)復(fù)合物挖掘 167
7.7.1 ONCQS算法原理 168
7.7.2 ONCQS算法流程 171
7.7.3 實驗結(jié)果與分析 172
7.8 小結(jié) 174
參考文獻(xiàn) 175
第8章 關(guān)鍵蛋白質(zhì)識別方法 178
8.1 引言 178
8.2 基于多源異構(gòu)數(shù)據(jù)融合的關(guān)鍵蛋白質(zhì)識別 178
8.2.1 多源異構(gòu)數(shù)據(jù)介紹 180
8.2.2 基于基因表達(dá)、亞細(xì)胞定位和PPI數(shù)據(jù)的關(guān)鍵蛋白質(zhì)識別 181
8.3 基于二階鄰域與信息熵的關(guān)鍵蛋白質(zhì)識別 184
8.3.1 NIE算法原理 185
8.3.2 NIE算法流程 187
8.3.3 實驗結(jié)果與分析 188
8.4 基于人工魚群算法的關(guān)鍵蛋白質(zhì)識別 190
8.4.1 AFSO_EP算法原理 190
8.4.2 AFSO_EP算法流程 193
8.4.3 實驗結(jié)果與分析 193
8.5 基于花授粉算法的關(guān)鍵蛋白質(zhì)識別 195
8.5.1 FPE算法原理 196
8.5.2 FPE算法流程 198
8.5.3 實驗結(jié)果與分析 198
8.6 小結(jié) 201
參考文獻(xiàn) 201
第9章 疾病基因預(yù)測 204
9.1 引言 204
9.2 基于二步隨機(jī)游走算法的癌癥基因預(yù)測 204
9.2.1 構(gòu)建異構(gòu)網(wǎng)絡(luò) 205
9.2.2 TRWR-MB算法預(yù)測 205
9.2.3 實驗結(jié)果與分析 208
9.3 基于邏輯回歸算法的疾病基因預(yù)測 209
9.3.1 網(wǎng)絡(luò)重構(gòu) 209
9.3.2 LR-RPN算法預(yù)測 211
9.3.3 實驗結(jié)果與分析 213
9.4 基于鴿群優(yōu)化算法的疾病基因預(yù)測 215
9.4.1 問題定義與描述 215
9.4.2 PDG-PIO算法預(yù)測 217
9.4.3 實驗結(jié)果與分析 218
9.5 基于網(wǎng)絡(luò)信息損失模型的疾病基因預(yù)測 221
9.5.1 網(wǎng)絡(luò)信息損失模型 221
9.5.2 異構(gòu)網(wǎng)絡(luò)傳播算法 223
9.5.3 InLPCH算法預(yù)測 224
9.5.4 實驗結(jié)果與分析 225
9.6 小結(jié) 230
參考文獻(xiàn) 230
第10章 非編碼RNA與疾病關(guān)聯(lián)關(guān)系預(yù)測 233
10.1 引言 233
10.2 基于變分自編碼器的miRNA與疾病關(guān)聯(lián)關(guān)系預(yù)測 233
10.2.1 基于VGAE的非線性特征表示 233
10.2.2 基于非負(fù)矩陣分解的線性特征表示 235
10.2.3 VGAMF算法預(yù)測 235
10.2.4 實驗結(jié)果與分析 235
10.3 基于矩陣分解的lncRNA與疾病關(guān)聯(lián)關(guān)系預(yù)測 237
10.3.1 非負(fù)矩陣分解算法 237
10.3.2 TDNMF算法預(yù)測 238
10.3.3 實驗結(jié)果與分析 239
10.4 基于卷積神經(jīng)網(wǎng)絡(luò)的circRNA與疾病關(guān)聯(lián)關(guān)系預(yù)測 242
10.4.1 相似性特征融合 243
10.4.2　MSFCNN算法預(yù)測 245
10.4.3 實驗結(jié)果與分析 247
10.5 基于圖注意力網(wǎng)絡(luò)的circRNA與疾病關(guān)聯(lián)關(guān)系預(yù)測 248
10.5.1 相似性融合 248
10.5.2 GATCDA算法預(yù)測 249
10.5.3 實驗結(jié)果與分析 251
10.6 基于圖嵌入方法的circRNA與疾病關(guān)聯(lián)關(guān)系預(yù)測 254
10.6.1 Metapath2vec + + 圖嵌入 254
10.6.2 PCD-MVMF算法預(yù)測 255
10.6.3 實驗結(jié)果與分析 257
10.7 基于圖因子分解機(jī)的circRNA與疾病關(guān)聯(lián)關(guān)系預(yù)測 258
10.7.1 因子分解機(jī) 258
10.7.2 ICDGFG算法預(yù)測 260
10.7.3 實驗結(jié)果與分析 263
10.8 小結(jié) 265
參考文獻(xiàn) 266
第11章 circRNA-RBP結(jié)合位點預(yù)測 270
11.1　引言 270
11.2 基于卷積神經(jīng)網(wǎng)絡(luò)的circRNA-RBP結(jié)合位點預(yù)測 270
11.2.1 癌癥特異性結(jié)合位點序列 271
11.2.2 多尺度卷積框架 272
11.2.3 CSCRSites算法預(yù)測 272
11.2.4 實驗結(jié)果與分析 273
11.3 基于膠囊網(wǎng)絡(luò)的circRNA-RBP結(jié)合位點預(yù)測 275
11.3.1 RBP特異性結(jié)合位點 276
11.3.2 變體膠囊網(wǎng)絡(luò)框架 279
11.3.3 circRB算法預(yù)測 280
11.3.4 實驗結(jié)果與分析 281
11.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的circRNA-RBP結(jié)合位點預(yù)測 285
11.4.1 膀胱癌中差異表達(dá)RBP結(jié)合位點 285
11.4.2 基于LSTM的上下文依賴關(guān)系學(xué)習(xí) 288
11.4.3 CRPBsites算法預(yù)測 290
11.4.4 實驗結(jié)果與分析 292
11.5　基于偽孿生神經(jīng)網(wǎng)絡(luò)的circRNA-RBP結(jié)合位點預(yù)測 293
11.5.1 疾病相關(guān)RBP結(jié)合位點與特征提取 294
11.5.2 基于BiLSTM-Attention的特征學(xué)習(xí) 295
11.5.3 circ-pSBLA算法預(yù)測 297
11.5.4 實驗結(jié)果與分析 298
11.6 小結(jié) 299
參考文獻(xiàn) 300
第12章 代謝物與疾病的關(guān)聯(lián)關(guān)系預(yù)測 302
12.1 引言 302
12.2 基于KATZ算法的代謝物與疾病關(guān)聯(lián)關(guān)系預(yù)測 302
12.2.1 KATZ算法 303
12.2.2 KATZMDA算法預(yù)測 303
12.2.3 實驗結(jié)果與分析 305
12.3 基于蜂群優(yōu)化算法的代謝物與疾病關(guān)聯(lián)關(guān)系預(yù)測 306
12.3.1 相似性網(wǎng)絡(luò)和網(wǎng)絡(luò)一致性投影 306
12.3.2 SSABCMDA算法預(yù)測 308
12.3.3 實驗結(jié)果與分析 311
12.4 基于LightGBM的代謝物與疾病關(guān)聯(lián)關(guān)系預(yù)測 312
12.4.1 輕量級梯度提升樹 313
12.4.2 LGBMMDA算法預(yù)測 314
12.4.3 實驗結(jié)果與分析 316
12.5　基于DeepWalk和隨機(jī)森林的代謝物與疾病關(guān)聯(lián)關(guān)系預(yù)測 318
12.5.1 DeepWalk網(wǎng)絡(luò)表征提取 318
12.5.2　NERF算法預(yù)測 319
12.5.3 實驗結(jié)果與分析 320
12.6　基于圖卷積網(wǎng)絡(luò)的代謝物和疾病關(guān)聯(lián)關(guān)系預(yù)測 326
12.6.1 代謝物與疾病相似性計算與融合 326
12.6.2 MDAGCN算法預(yù)測 326
12.6.3 實驗結(jié)果與分析 329
12.7 小結(jié) 331
參考文獻(xiàn) 332
第13章 微生物與疾病的關(guān)聯(lián)關(guān)系預(yù)測 335
13.1 引言 335
13.2 基于Node2vec的微生物和疾病關(guān)聯(lián)關(guān)系預(yù)測 335
13.2.1 Node2vec 336
13.2.2 LGRSH算法預(yù)測 337
13.2.3 實驗結(jié)果與分析 338
13.3 基于大規(guī)模信息網(wǎng)絡(luò)嵌入算法的微生物和疾病關(guān)聯(lián)關(guān)系預(yù)測 340
13.3.1 基于LINE算法的特征表示 341
13.3.2 MSLINE算法預(yù)測 342
13.3.3 實驗結(jié)果與分析 343
13.4 基于結(jié)構(gòu)深度網(wǎng)絡(luò)嵌入算法的微生物和疾病關(guān)聯(lián)關(guān)系預(yù)測 345
13.4.1 基于SDNE的特征提取 346
13.4.2 NEMDA算法預(yù)測 347
13.4.3 實驗結(jié)果與分析 348
13.5 基于元路徑聚合圖神經(jīng)網(wǎng)絡(luò)的微生物和疾病關(guān)聯(lián)關(guān)系預(yù)測 350
13.5.1 基于MAGNN的特征學(xué)習(xí) 352
13.5.2 MATHNMDA算法預(yù)測 353
13.5.3 實驗結(jié)果與分析 355
13.6 基于去噪自編碼器和卷積神經(jīng)網(wǎng)絡(luò)的微生物和疾病關(guān)聯(lián)關(guān)系預(yù)測 358
13.6.1 基于LE和DAE的特征學(xué)習(xí) 360
13.6.2 MMHN-MDA算法預(yù)測 361
13.6.3 實驗結(jié)果與分析 364
13.7 基于關(guān)系圖卷積網(wǎng)絡(luò)的微生物和疾病關(guān)聯(lián)關(guān)系預(yù)測 367
13.7.1 基于R-GCN的特征學(xué)習(xí) 367
13.7.2 TNR-GCN算法預(yù)測 367
13.7.3 實驗結(jié)果與分析 370
13.8 小結(jié) 371
參考文獻(xiàn) 372
第14章 RNA甲基化位點預(yù)測及模式分析 375
14.1 引言 375
14.2 基于卷積神經(jīng)網(wǎng)絡(luò)的mRNA中m6A甲基化位點預(yù)測 375
14.2.1 mRNA中m6A數(shù)據(jù)集構(gòu)建 376
14.2.2 序列特征編碼 376
14.2.3 基于多模態(tài)CNN的m6A甲基化位點預(yù)測 378
14.2.4 實驗結(jié)果與分析 379
14.3 基于隨機(jī)森林的lncRNA中m6A甲基化位點預(yù)測 381
14.3.1 lncRNA中m6A數(shù)據(jù)集構(gòu)建 381
14.3.2 序列特征與基因組特征編碼 382
14.3.3 基于RF的m6A甲基化位點預(yù)測 385
14.3.4 實驗結(jié)果與分析 386
14.4 基于非負(fù)矩陣分解的RNA共甲基化模式分析 387
14.4.1 多數(shù)據(jù)集中RNA甲基化水平提取 388
14.4.2 基于NMF的共甲基化模式分析 389
14.4.3 實驗結(jié)果與分析 390
14.5 基于機(jī)器學(xué)習(xí)的RNA甲基化位點預(yù)測平臺開發(fā) 392
14.5.1 基因組特征編碼與基因組坐標(biāo) 392
14.5.2 基于機(jī)器學(xué)習(xí)的甲基化位點預(yù)測模型構(gòu)建 393
14.5.3 Web界面實現(xiàn)與編程環(huán)境 393
14.5.4 實驗結(jié)果與分析 393
14.6 小結(jié) 395
參考文獻(xiàn) 395
第15章 藥物發(fā)現(xiàn) 398
15.1 引言 398
15.2 基于雙重圖神經(jīng)網(wǎng)絡(luò)的藥物和藥物相互作用預(yù)測 398
15.2.1 藥物分子表示 398
15.2.2 基于SA-DMPNN的子結(jié)構(gòu)提取 400
15.2.3 DGNN-DDI算法預(yù)測 401
15.2.4 實驗結(jié)果與分析 403
15.3 基于殘差圖卷積神經(jīng)網(wǎng)絡(luò)的藥物和藥物相互作用預(yù)測 407
15.3.1 多源異構(gòu)網(wǎng)絡(luò)構(gòu)建 407
15.3.2 基于ResGCN的編碼器 408
15.3.3 MSResG算法預(yù)測 410
15.3.4 實驗結(jié)果與分析 410
15.4 基于符號圖神經(jīng)網(wǎng)絡(luò)的藥物靶標(biāo)相互作用預(yù)測 412
15.4.1 藥物靶標(biāo)符號圖構(gòu)建 413
15.4.2 SHGNN算法預(yù)測 414
15.4.3 實驗結(jié)果與分析 420
15.5 基于BiGRU和GraphSAGE的藥物分子毒性預(yù)測 426
15.5.1 基于BiGRU的分子序列特征提取 427
15.5.2 基于GraphSAGE的分子結(jié)構(gòu)特征提取 428
15.5.3 MTBG算法預(yù)測 429
15.5.4 實驗結(jié)果與分析 430
15.6 基于聚類約束的藥物重定位研究 432
15.6.1 藥物與疾病的屬性特征提取 432
15.6.2 藥物與疾病的網(wǎng)絡(luò)聚類特征提取 433
15.6.3 基于DRGCC算法的藥物重定位 436
15.6.4 實驗結(jié)果與分析 436
15.7 小結(jié) 440
參考文獻(xiàn) 440