生物信息学：智能化算法及其应用【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

生物信息学：智能化算法及其应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一章 生物信息学1

第一节 生物信息学的内容、方法和意义1

一、什么是生物信息学1

二、生物信息学探源2

三、生物信息学的内涵和后基因组时代的主攻方向3

第二节 有关生物学的背景知识4

一、细胞简介5

二、基因概述9

三、蛋白质解说13

第三节 互联网上可用的生物信息资源18

一、生物信息网上资源简介18

二、基因组数据库19

三、核酸序列数据库21

四、蛋白质序列数据库28

五、蛋白质结构数据库37

六、二次数据库43

七、重要网上资源的地址48

参考文献49

第二章 智能化算法50

第一节 什么是智能化算法50

一、问题的提法50

二、程式化算法52

三、智能化算法54

第二节 本书涉及的智能化算法55

一、蒙特卡罗方法55

二、模拟退火算法56

三、遗传算法57

四、人工神经网络58

五、隐马氏模型60

六、贝叶斯网络与无标度网络61

第三节 评价智能化算法的一个理论框架62

一、离散吸收马氏过程62

二、随机算法的收敛性和复杂性63

参考文献70

第三章 序列联配与隐马氏模型71

第一节 双序列联配71

一、序列的同源性和相似性71

二、PAM和BLOSUM计分矩阵72

三、动态规划算法75

四、数据库搜索的FASTA和BLAST算法77

第二节 多序列联配79

一、多序列联配的概念79

二、多序列联配常用的ClustalW算法80

三、多序列联配结果的表示和数据库搜索81

第三节 隐马氏模型84

一、马尔可夫链85

二、隐马氏模型的形式86

三、隐马氏模型的基本问题与算法89

第四节 基于剖面隐马氏模型的多序列联配94

一、作为多序列联配的剖面隐马氏模型94

二、剖面隐马氏模型主状态数的选取96

三、现有剖面隐马氏模型软件简介和多序列联配实例102

参考文献104

第四章 模体识别与神经网络105

第一节 模体识别105

一、模体的生物学意义105

二、序列模体和结构模体106

三、模体数据库108

四、模体发现的方法109

第二节 智能神经网络110

一、神经网络简介110

二、神经网络的结构模型及学习111

三、多层前馈神经网络与反向传播算法116

四、反向传播算法的局限性及其改进119

五、神经网络的两个主要问题121

六、贝叶斯神经网络123

第三节 基于神经网络的模体识别125

一、神经网络在生物分子序列分析中的应用125

二、生物分子序列分析中的神经网络编码129

三、基于神经网络的蛋白质二级结构预测130

参考文献135

第五章 蛋白质折叠与遗传算法137

第一节 蛋白质折叠137

一、蛋白质结构及其预测方法概述137

二、蛋白质折叠预测的模型141

三、蛋白质折叠预测的基本方法143

第二节 蒙特卡罗方法145

一、基本蒙特卡罗方法145

二、各种采样方法介绍147

三、马尔可夫链蒙特卡罗方法150

第三节 遗传算法152

一、遗传算法的有关概念152

二、基本遗传算法153

三、各种改进的遗传算法158

四、遗传算法的数学理论160

第四节 蛋白质折叠预测实例163

一、蛋白质折叠的HP模型163

二、基于蒙特卡罗方法的蛋白质折叠预测165

三、基于遗传算法的蛋白质折叠问题预测167

四、结果与讨论168

参考文献169

第六章 RNA结构预测与模拟退火171

第一节 RNA的结构与功能172

一、RNA的组成172

二、RNA的分类、结构及其功能174

三、RNA的二级结构与假结180

第二节 RNA二级结构预测建模183

一、比较序列分析模型183

二、最小自由能算法与自由能参数188

三、组合优化算法的解决方案192

四、进一步提高预测准确度的若干问题194

第三节 模拟退火算法195

一、Metropolis准则196

二、模拟退火的渐近行为198

三、冷却进度表的有关问题200

四、模拟退火算法的改进和变异202

五、Boltzmann机203

第四节 RNA二级结构预测实例205

一、RNA二级结构的编码205

二、混合遗传算法206

三、材料与计算结果207

参考文献209

第七章 微阵列技术与统计推断211

第一节 微阵列技术211

一、微阵列技术简介211

二、微阵列的数据挖掘214

三、微阵列技术的应用219

第二节 聚类方法221

一、距离与相似系数222

二、系统聚类法222

三、K均值算法224

四、自组织映射算法225

五、主成分分析225

六、聚类效果评估226

第三节 模式识别227

一、基因选择227

二、降维处理229

三、判别分析232

四、遗失数据处理237

第四节 微阵列表达数据分析实例237

一、材料与方法238

二、计算结果239

三、讨论242

四、问题与展望242

参考文献243

第八章 基因相互作用与贝叶斯网络245

第一节 基因的表达调控245

一、RNA结构调控和剪接编辑调控模型246

二、启动子调控和操纵子调控模型247

三、感受器应答调控模型249

四、功能基因组的基因表达249

第二节 基因相互关系网络251

一、基因表达数据采集和表达模式分析251

二、基因相互关系的一般统计分析框架257

三、建立基因调控网络的数学模型259

四、基因网络模型分析260

五、基因网络的实际应用262

第三节 基因相互作用的贝叶斯网络模型266

一、贝叶斯网络266

二、基于贝叶斯网络的基因相互关系模型及算法实现273

三、贝叶斯调控网络在疾病研究中的应用和前景276

参考文献276

索引278