你将跟随设计一个将物理、化学、生物学和医学联系在一起的新疗法问题的案例研究,该案例代表了科学研究中的一个*挑战性的问题。通过本书,你将学到: 学习在分子数据上执行机器学习的基础知识。 理解为什么深度学习是研究遗传学和基因组学的有力工具。 应用深度学习理解生物物理系统。 通过DeepChem获得机器学习的简单认识。 使用深度学习分析显微图像。 使用深度学习技术分析医学扫描图像。 了解变分自编码器和生成对抗网络。 解释你的模型在做什么以及它是如何工作的。

目录 前言 1 第1 章 为什么是生命科学? 7 为什么是深度学习? 7 当代生命科学是关于数据的 8 你能学到什么? 9 第2 章 深度学习概论 15 线性模型 16 多层感知器 18 训练模型 22 验证 24 正则化 25 超参数优化 26 其他类型的模型 28 卷积神经网络 28 递归神经网络 29 延伸阅读 31 第3 章 基于DeepChem 的机器学习 33 DeepChem 数据集 34 训练一个预测分子毒性的模型 36 案例研究:训练MNIST 模型 44 MNIST 数字识别数据集 45 MNIST 的卷积结构 46 softmax 和SoftMaxCrossEntropy 50 结论 51 第4 章 分子的机器学习 53 什么是分子? 54 什么是分子键? 56 分子图 58 分子构型 59 分子的手性60 分子的特征表示 62 SMILES 字符串和RDKit 62 扩展– 连接指纹 62 分子描述符63 图卷积 64 训练一个模型来预测溶解度 65 MoleculeNet 67 SMARTS 字符串 67 结论 70 第5 章 生物物理的机器学习 71 蛋白质结构 73 蛋白质序列75 不能用计算方法预测3D 蛋白质结构吗? 77 蛋白质结合简介 78 生物物理数据的特征化 79 网格特征化80 原子特征化84 PDBBind 案例研究 85 PDBBind 数据集 85 特征化PDBBind 数据集 89 结论 93 第6 章 基因组学的深度学习 97 DNA、RNA 和蛋白质 98 现在是现实世界 100 转录因子的结合 102 一个用于TF 结合的卷积模型 103 染色质可接近性 106 RNA 干扰 109 结论 112 第7 章 显微镜检查的机器学习 115 显微学简介 117 现代光学显微技术 118 衍射极限 120 电子和原子力显微技术 122 超分辨显微技术 124 深度学习和衍射极限? 126 制备生物显微镜样本 126 染色 126 样本固定 128 切片样本 128 荧光显微技术 129 样本制备工件 131 深度学习应用 132 细胞计数 132 什么是细胞系? 132 细胞分割 136 计算分析 141 结论 141 第8 章 医学领域的深度学习 143 计算机辅助诊断 143 贝叶斯网络的概率诊断 145 电子健康记录数据 146 ICD-10 编码 147 那么无监督学习呢? 148 患者EHR 大型数据库存在危险吗? 149 用于放射学的深度学习 150 x 线扫描和CT 扫描 153 组织学 155 核磁共振扫描 156 学习模型作为一种**方法 157 糖尿病视网膜病变 158 结论 162 道德考虑 162 失业 163 小结 164 第9 章 生成模型 165 变分自编码 165 生成对抗网络 167 生成模型在生命科学中的应用 169 为先导化合物提供新思路 169 蛋白质的设计 170 用于科学发现的工具 170 生成建模的未来 170 使用生成模型 171 分析生成模型的输出 173 结论 176 第10 章 深层模型的解释 179 解释预测 180 优化输入 183 预测的不确定性 187 可解释性、可扩展性和实际后果 191 结论 192 第11 章 虚拟筛选工作流示例 193 为预测建模准备数据集 194 训练预测模型 201 为模型预测准备数据集 207 应用预测模型 211 结论 219 第12 章 前景和展望 221 医学诊断 221 个性化** 223 **研发 225 生物学研究 226 结论 228