生物信息学中的机器学习分析方法

前言 0 绪论 1 0.1生物信息学的概念 1 0.2生物信息学的研究内容 1 0.3微阵列分析技术 2 0.4基因调控网络 9 0.5蛋白质相互作用网络 11 0.6机器学习方法及应用 12 0.7本书主要内容和安排 15 参考文献 15 第Ⅰ篇 微阵列数据的分析和处理第 1章 基于核方法的多病类 DNA微阵列数据集成分类器 21 1.1核机器学习 22 1.2基分类器的选择 24 1.3 DNA微阵列数据集成分类器结构框图 29 1.4实例研究 30 1.5本章小结 34 参考文献 34 第 2章 基于选择性独立成分分析的 DNA微阵列数据集成分类器 36 2.1基于重构样本误差的选择性独立成分分析 37 2.2实例研究 38 2.3本章小结 45 参考文献 45 第 3章 基于相关性分析的癌症诊断 47 3.1 K均值聚类 48 3.2基于特征选取的相关系数分析癌症诊断模型 48 3.3实验结果和分析 51 3.4本章小结 53 参考文献 53 第 4章 基于线性回归的 DNA微阵列数据稀疏特征基因选择 55 4.1特征选择 56 4.2回归分析 56 4.3仿真研究 61 4.4本章小结 64 参考文献 65 第 5章 基于贝叶斯理论的 DNA甲基化水平数据分型 66 5.1贝叶斯理论概述 67 5.2基于贝叶斯理论的 DNA甲基化水平数据分型 70 5.3聚类性能评估 74 5.4仿真研究 75 5.5本章小结 81 参考文献 81 第Ⅱ篇 基因调控网络的分析和构建第 6章 基因表达数据缺失值处理 85 6.1三种基因表达数据缺失值估计方法 86 6.2内部规律与外部联系结合的基因表达数据缺失值估计方法 88 6.3仿真研究 91 6.4本章小结 98 参考文献 98 第 7章 基于角度离散化的基因调控网络定性分析 100 7.1三种基因调控网络定性分析方法 101 7.2基于角度离散化的基因调控网络方法 104 7.3仿真研究 107 7.4本章小结

《生物信息学中的机器学习分析方法》针对生物信息学领域中海量的生物数据，分别从微阵列数据的分析和处理、基因调控网络的分析和构建以及蛋白质相互作用网络的分析等角度，系统介绍机器学习、统计学习及各种智能算法在生物信息学相关领域的应用。机器学习在生物信息学领域的研究重心集中在观测和探索生物现象，以及建立统一的形式化的模型对生物学现象加以阐释。《生物信息学中的机器学习分析方法》针对生物信息学领域典型的癌症诊断模型、基因调控网络构建和蛋白质相互作用网络分析3 个研究方向展开机器学习数据挖掘方法的分析与研究，为生物信息学方向的初学者提供了入门知识，也为相关研究人员在相关方向提供了参考信息。