基于深度学习的生命科学

本书介绍了一些深度网络原型，非常适合那些准备将自己的技能应用于诸如生物学、遗传学和药物发现等科学应用的开发人员和科学家。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拥有挑战性的问题。本书的主要内容有：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透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。

Bharath Ramsundar是Computable的联合创始人和首席技术官。Peter Eastman在Stanford University开发了计算化学和生物学方面的软件。 Patrick Walters是Relay Therapeutics公司计算与信息学小组的负责人。Vijay Pande是Andreessen Horowitz公司的合伙人。

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SoftMaxCrossEntropy50
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RDKit62
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
MoleculeNet67
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
学习模型作为一种治疗方法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
个性化医疗223
药物研发225
生物学研究226
结论228