作品简介

生物医药大数据蕴含了非常丰富的信息和知识,是关乎人类生存与健康的重要战略资源,但只有对生物医药大数据进行高效处理和智能分析,才能真正推动生物医药研究和产业化从原来的假设驱动向数据驱动转变,因而近些年来生物医药大数据与智能分析逐渐成为潜力巨大且发展迅猛的交叉领域。本书简要介绍了并行计算、机器学习和深度学习应用于生物医药大数据的相关基础知识,并总结了作者团队在生物医药大数据处理和分析领域的若干成果,主要涵盖基因表达谱分析、微生物基因组、药物虚拟筛选、肿瘤基因表达谱分类、RNA编辑位点识别、增强子识别等,以作者团队的研究成果为实际案例,详细介绍了研究的路线和方法。本书属于高性能计算、大数据、机器学习和生物医药等专业的交叉领域,可以为这些领域的研究人员提供参考,也可作为相关专业高年级本科生和研究生的补充教材。

彭绍亮

国家超级计算长沙中心副主任,湖南大学信息科学与工程学院教授、博导,湖南大学教育舆情研究中心副主任(兼),2020年被聘为长江学者特聘教授,2019年获湖南省杰出青年基金支持,长期从事高性能计算、大数据、生物信息、人工智能、区块链等方面研究。担任国防科技大学“天河”系列超级计算机生命科学方向负责人,国防科技大学/华大基因兼职教授,鹏城实验室智慧医疗平台课题负责人,中央军委科技委生物交叉立项专家组成员,科技部、工信部、教育部会评专家;中国计算机学会(CCF)理事,生物信息学、计算机应用专委副主任,大数据、高性能计算专委常委,区块链专委委员,CCF杰出会员和杰出讲者;湖南省生物信息学会发起人、理事长,3个SCI期刊和多个EI期刊的主编、副主编。出版专著7部,发表学术论文上百篇,Google引用五千余次。负责“天河”系列超级计算机应用软件研发工作,主持和参与科技部、国家自然科学基金委重点项目,973/863项目等项目13项。获2019年国家科学技术进步奖二等奖,2019年湖南省技术发明奖一等奖(排名第1),2013年军队科学技术进步奖一等奖,2018年CCF科学技术奖自然科学二等奖(排名第1),2016年荣立三等功。

王晓伟

国防科技大学计算机科学与技术专业博士、软件工程博士后科研流动站博士后。长期从事网络空间安全、生物医药、军事信息系统等领域的大数据与人工智能技术研发工作。作为骨干参与“天河”系列超级计算机应用软件研发工作,获2017年军队科学技术进步奖一等奖。参与国家863计划、国家重点研发计划、国家自然科学基金重点项目等项目6项,参与制定国家及行业标准3项,作为第一译者出版译著2部(《命令行中的数据科学》《实时分析:流数据的分析与可视化技术》),参与编写教材2部(《生物信息计算》《大数据导论》)。

作品目录

  • 内容提要
  • 序言1
  • 序言2
  • 前言
  • 第一篇 绪论
  • 第1章 生物医药大数据与智能分析概述
  • 1.1 生物医药大数据
  • 1.2 生物医药大数据的高效处理
  • 1.3 生物医药大数据的智能分析
  • 1.4 总结
  • 1.5 本书的内容安排
  • 第二篇 生物医药大数据的高效处理
  • 第2章 生物医药大数据高效处理的基础
  • 2.1 大数据计算模型
  • 2.2 并行计算
  • 2.3 总结
  • 第3章 海量基因表达谱分析
  • 3.1 基因表达谱分析与生物效应评估概述
  • 3.2 海量基因表达谱快速查询
  • 3.3 海量基因表达谱并行比对与聚类
  • 3.4 总结
  • 第4章 功能性前噬菌体预测
  • 4.1 前噬菌体预测概述
  • 4.2 功能性前噬菌体预测算法
  • 4.3 预测算法并行化
  • 4.4 总结
  • 第5章 高通量药物虚拟筛选
  • 5.1 药物虚拟筛选概述
  • 5.2 基于CPU多核的药物虚拟筛选并行优化
  • 5.3 基于CPU-MIC协同的药物虚拟筛选并行优化
  • 5.4 基于“天河二号”超级计算机的大规模高通量药物虚拟筛选平台
  • 5.5 总结
  • 第三篇 生物医药大数据的智能分析
  • 第6章 生物医药大数据的智能分析基础
  • 6.1 传统的机器学习技术
  • 6.2 深度学习在生物医药大数据中的应用
  • 6.3 常见的深度学习模型和框架
  • 6.4 深度学习解决生物大数据问题的一般方法
  • 6.5 总结
  • 第7章 基于字典学习的肿瘤基因表达谱分类
  • 7.1 肿瘤基因表达谱分类概述
  • 7.2 基于判别投影的字典学习基因表达谱分类
  • 7.3 结合集成学习的字典学习基因表达谱分类
  • 7.4 基于随机序列和样本距离的基因表达谱特征选择
  • 7.5 总结
  • 第8章 基于深度学习的RNA编辑位点识别
  • 8.1 RNA编辑识别概述
  • 8.2 RNA编辑位点金标集的构建
  • 8.3 基于双向LSTM的RNA编辑位点识别
  • 8.4 基于ResNet的RNA编辑位点识别
  • 8.5 总结
  • 第9章 基于深度学习的增强子识别
  • 9.1 增强子识别概述
  • 9.2 增强子识别神经网络
  • 9.3 增强子序列数据集的预处理
  • 9.4 模型的训练
  • 9.5 模型的预测评估
  • 9.6 总结
  • 参考文献
展开全部