基于云计算的生物大数据分析研究

\"随着生物技术的不断发展，高通量测序技术得到快速发展，基因组测序的成本相对降低幅度很大，生物数据规模也在随之增大，生物信息学也迎来了大数据时代。云计算技术可以给生物信息学在数据分析方面提供计算资源，从而生物信息大数据借助大数据的生物信息云迎接更多的新挑战，挖掘数据中隐藏的资源。通过本项目的研究，也可为以后云计算在其他生物信息学问题中运用的研究做出基础工作。介绍基于云平台的机器学习发展历程，包括Hadoop MapReduce、HDFS、Mahout、Spark及Yarn的主要研究现状和意义，同时介绍生物信息学中基因组数据分析的现状及本文主要的工作任务和结构安排。本研究主要拟通过使用各种相关云计算技术，解决在RNA-Seq数据分析任务中存在的各种性能问题，提高研究而利用基于云计算技术的生物大数据可视化平台来直观的人员的工作效，利用云计算技术来构建生物大数据可视化平台，从展现出测序数据和分子结构数据据等多种类的生物数据，为生物学和医学等领域研究提供可视化的基础软件设施。 本书可以作为从事生物信息学、计算机科学等领域的研究人员，以及对这些领域的学生和初学者培训教材或参考资料，及如何将相关技术应用到具体的研究中。\"

纪兆华，计算机科学与技术专业博士、信息与通信工程学科博士后、环境科学与工程学科博士后、北京信息职业技术学院教授、“双高计划”“信息安全与管理专业群”建设负责人、全国工业和信息化职业教育教学指导委员会工业互联网职业教育教学指导分委员会会副主任委员、北京市职业教育专业带头人，曾获评省级突出贡献专家、省级教学名师。

第1章 绪论 1.1 基础概念 1.1.1 生物信息学 1.1.2 转录组测序RNA-Seq技术 1.1.3 组学大数据 1.1.4 云计算技术 1.1.5 基因数据分析研究现状 1.2 生物信息学与组学大数据 1.2.1 基于云计算技术的差异表达基因鉴定流程 1.2.2 基于Spark云计算技术的并行化RNA-seq Mapping算法 1.2.3 基于MapReduce云计算技术的决策树算法 第2章 基于云计算的差异表达基因检测 2.1 云计算技术 2.1.1 云计算内涵 2.1.2 云计算的关键技术 2.1.3 云计算和大数据 2.2 基于大数据技术的机器学习算法 2.2.1 大数据技术与机器学习 2.2.2 基于大数据技术的机器学习 2.3 基于Spark+Hadoop的机器学习算法 2.3.1 Hadoop技术和Spark技术 2.3.2 基于Spark的聚类算法 2.3.3 基于Spark+Hadoop的机器学习 2.4 RNA-Seq数据分析 2.5 RNA转录组的高通量全测序 2.5.1 高通量测序技术 2.5.2 RNA-Seq或RNA测序 2.5.3 RNA转录组的高通量全测序 2.5.4 Hadppp云计算框架设计实现RNA-Seq大数据分析流程 2.5.5 生物信息学用云的方式来解决存储和分析等问题 2.5.6 云计算理念提升了分布式并行计算解决大数据问题 第3章 云平台与大数据及相关算法 3.1 统计学、人工智能和机器学习 3.2 云平台下的数据挖掘现状 3.3 相关技术 3.3.1 MapReduce框架 3.3.2 HDFS存储 3.3.3 Mahout技术 3.3.4 SDark技术 3.4 算法分析 3.4.1 聚类分析 3.4.2 分类分析 3.4.3 度量计算分析 第4章 基于云平台的机器学习算法的并行化研究与应用 4.1 基于Spark+Hadoop的算法设计 4.1.1 Spark内核架构基本原理 4.1.2 并行聚类在Spark+Hadoop平台上的实现 4.2 并行分类在Spark+Hadoop平台上的实现 4.2.1 树节点的选取划分 4.2.2 随机森林的具体执行过程