基因表達(dá)譜數(shù)據(jù)挖掘方法研究

定　價(jià)：￥88.00

作　者：	黃德雙著
出版社：	科學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	分子生物學(xué)

購買這本書可以去

ISBN：	9787030236807	出版時(shí)間：	2009-03-01	包裝：	平裝
開本：	16開	頁數(shù)：	462	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《基因表達(dá)譜數(shù)據(jù)挖掘方法研究》適合國內(nèi)高校和科研院所生物和信息領(lǐng)域中從事生物信息學(xué)教學(xué)和研究的教師、高年級(jí)本科生、研究生和科技人員，對(duì)于其他與生物信息學(xué)研究有關(guān)及有志于從事這一領(lǐng)域研究的計(jì)算機(jī)科研人員也是必備的參考讀物?；虮磉_(dá)譜數(shù)據(jù)挖掘可以幫助人們發(fā)現(xiàn)新的疾病亞型，提高復(fù)雜疾病診斷的正確率。因此，發(fā)展高效實(shí)用的基因表達(dá)譜數(shù)據(jù)處理方法具有十分重要的實(shí)際意義?！痘虮磉_(dá)譜數(shù)據(jù)挖掘方法研究》首先介紹生物信息學(xué)中基因芯片和基因表達(dá)譜等一些基本概念，然后利用Re—lief、Fisher判別、Wilcoxon和Kruskal-Wallis秩和檢驗(yàn)方法、信噪比方法、主成分分析方法、因子分析方法、獨(dú)立分量分析方法、經(jīng)典粗糙集和鄰域粗糙集、人工神經(jīng)網(wǎng)絡(luò)和集成神經(jīng)網(wǎng)絡(luò)、小波包變換和離散余弦變換、遺傳算法和遺傳規(guī)劃、流形學(xué)習(xí)、張量分析等方法，系統(tǒng)研究了基于基因表達(dá)譜的腫瘤亞型數(shù)據(jù)挖掘方法（包括特征提取與分類識(shí)別等）。設(shè)計(jì)多種基因表達(dá)譜分類識(shí)別算法，并結(jié)合SVM、NSC、FLDA、DLDA等多種分類器及集成分類器，進(jìn)行大量的基因表達(dá)譜分類識(shí)別實(shí)驗(yàn)，以圖和表的形式給出大量實(shí)驗(yàn)結(jié)果，同時(shí)對(duì)各種方法的性能進(jìn)行比較。系統(tǒng)研究基于基因調(diào)控概率的腫瘤基因表達(dá)譜數(shù)據(jù)挖掘方法，結(jié)合Filter和Wrapper兩種特征選擇方法的優(yōu)點(diǎn)，研究基于支持向量機(jī)和懲罰策略（SVPS）的腫瘤關(guān)鍵基因選擇算法。設(shè)計(jì)基于標(biāo)準(zhǔn)遺傳算法和多目標(biāo)遺傳算法的集成基因表達(dá)譜特征選擇方法。

作者簡(jiǎn)介

　　黃德雙，工學(xué)博士，中國科學(xué)技術(shù)大學(xué)博士生導(dǎo)師，中國科學(xué)院合肥智能機(jī)械研究所研究員，中國科學(xué)院研究生院教授，2000年度中國科學(xué)院“百人計(jì)劃”人選者。Transactions of the Institute of Measurement and Control（TIMC）國際雜志顧問編委，Advances in Artificial Neural Systems（AANS）等國際雜志編委，IEEE高級(jí)會(huì)員。已發(fā)表SCl收錄學(xué)術(shù)雜志論文110多篇，SCI他引500多次，出版專著三部，獲第八屆全國優(yōu)秀科技圖書二等獎(jiǎng)一項(xiàng)。曾主持國家自然科學(xué)基金項(xiàng)目5項(xiàng)，國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃（973）項(xiàng)目子課題和國家高技術(shù)研究發(fā)展計(jì)劃（863）項(xiàng)目各1項(xiàng)。研究興趣為模式識(shí)別、神經(jīng)網(wǎng)絡(luò)與生物信息學(xué)。

圖書目錄

前言
第1章　緒論
1.1　生物信息學(xué)簡(jiǎn)介
1.1.1　生物信息學(xué)概念
1.1.2　生物信息學(xué)的研究背景和意義
1.1.3　生物信息學(xué)的研究?jī)?nèi)容與方法
1.1.4　生物信息學(xué)的研究歷史和現(xiàn)狀
1.1.5　應(yīng)用前景
1.2　基因組時(shí)代簡(jiǎn)介
1.2.1　基因組計(jì)劃
1.2.2　基因的基本結(jié)構(gòu)
1.3　基因表達(dá)譜數(shù)據(jù)挖掘的研究意義與研究現(xiàn)狀
1.3.1　研究意義
1.3.2　研究現(xiàn)狀
1.4　本章小結(jié)
參考文獻(xiàn)
第2章　DNA微陣列技術(shù)與基因表達(dá)譜
2.1　基因芯片與DNA微陣列
2.1.1　基因芯片介紹
2.1.2　基因芯片的特點(diǎn)、分類和制作
2.1.3　基因芯片制備方法
2.1.4　DNA微陣列技術(shù)的應(yīng)用和研究方向
2.2　基因表達(dá)譜
2.2.1　基因表達(dá)譜的獲取與表示
2.2.2　基因表達(dá)譜的特點(diǎn)
2.2.3　基因表達(dá)譜的數(shù)學(xué)描述
2.2.4　常用的腫瘤基因表達(dá)譜數(shù)據(jù)集
2.3　基因表達(dá)譜數(shù)據(jù)分析
2.3.1　基因表達(dá)譜數(shù)據(jù)的預(yù)處理
2.3.2　基因表達(dá)譜數(shù)據(jù)分析的層次
2.3.3　差異基因篩選
2.3.4　基因解讀與注釋
2.3.5　基因表達(dá)調(diào)控
2.4　基因表達(dá)譜的研究方向
2.5　本章小結(jié)
參考文獻(xiàn)
第3章　基因表達(dá)譜數(shù)據(jù)挖掘中的模式識(shí)別基礎(chǔ)
3.1　模式識(shí)別的概念及其研究方向
3.2　特征提取與選擇方法
3.2.1　特征提取中用到的統(tǒng)計(jì)量
3.2.2　基因表達(dá)譜的特征提取與選擇
3.3　常用的基因表達(dá)譜聚類與分類算法
3.3.1　基因表達(dá)譜聚類和分類的目的
3.3.2　聚類與分類算法的劃分及評(píng)估準(zhǔn)則
3.3.3　基于類間距離的聚類算法
3.3.4　層次聚類
3.3.5　基于密度、網(wǎng)格和模型的聚類算法
3.3.6　K-均值法
3.3.7　仿射傳播聚類
3.3.8　K-近鄰分類方法及其改進(jìn)方法
3.3.9　決策樹
3.3.10　線性判別分析
3.3.11　基因表達(dá)譜可分性判據(jù)
3.4　分類器
3.4.1　貝葉斯分類器
3.4.2　人工神經(jīng)網(wǎng)絡(luò)
3.4.3 自組織映射
3.4.4　支持向量機(jī)
3.4.5　多分類器性能比較
3.5　本章小結(jié)
參考文獻(xiàn)
第4章　基于因子分量分析的基因表達(dá)譜特征提取方法
4.1　基因表達(dá)譜特征提取方法簡(jiǎn)介
4.2　主分量分析
4.2.1　主分量分析的基本思想
4.2.2　主分量分析算法步驟
4.3　判決主分量分析
4.3.1　判決主分量分析的基本思想
4.3.2　判決主分量分析算法步驟
4.4　因子分析
4.4.1　因子分析的基本思想
4.4.2　因子分析算法的步驟
4.5　獨(dú)立分量分析
4.5.1 獨(dú)立分量分析的基本思想
4.5.2 獨(dú)立分量分析算法的步驟
4.5.3 FastICA
4.6 因子分析、主分量分析和獨(dú)立分量分析之間的關(guān)系
4.7 基于主分量分析、判決主分量分析和因子分析的腫瘤亞型分類方法
4.7.1 算法框架模型
4.7.2 信息基因選擇
4.7.3 基于主分量分析的腫瘤亞型分類的實(shí)驗(yàn)結(jié)果與分析
4.7.4 基于判決主分量分析的腫瘤亞型分類的實(shí)驗(yàn)結(jié)果與分析
4.7.5 基于因子分析的腫瘤亞型分類的實(shí)驗(yàn)結(jié)果與分析
4.8 基于獨(dú)立分量分析的腫瘤亞型分類方法
4.8.1 基因表達(dá)譜的IcA模型及其生物學(xué)意義
4.8.2 基于獨(dú)立分量分析的基因表達(dá)譜提取與選擇算法
4.8.3 實(shí)驗(yàn)結(jié)果與分析
4.9 基于獨(dú)立分量分析的腫瘤亞型懲罰性分類方法
4.9.1 懲罰性回歸模型
4.9.2 優(yōu)化得分算法
4.9.3 懲罰性優(yōu)化得分分類算法
4.9.4 特征基因的初選
4.9.5 實(shí)驗(yàn)結(jié)果與分析
4.1 0本章小結(jié)
參考文獻(xiàn)
第5章基于傅里葉與小波包變換的基因表達(dá)譜特征提取方法
5.1 基于離散余弦變換和傅里葉變換的基因表達(dá)譜特征提取方法
5.1.1 離散傅里葉變換和離散余弦變換
5.1.2 Relief算法
5.1.3 基因表達(dá)譜分類模型
5.1.4 實(shí)驗(yàn)結(jié)果與分析
5.2 基于小波包變換的基因表達(dá)譜特征提取與選擇
5.2.1 小波包變換
5.2.2 腫瘤亞型分類方法
5.2.3 實(shí)驗(yàn)結(jié)果與分析
5.3 基因表達(dá)譜的特征提取與選擇方法比較
5.4 本章小結(jié)
參考文獻(xiàn)
第6章信息基因的啟發(fā)式搜索算法研究
6.1 信息基因選擇問題
6.1.1 基于基因表達(dá)譜的腫瘤分類問題描述
6.1.2 腫瘤分類模型及評(píng)估
6.1.3 信息基因選擇方法簡(jiǎn)介
6.1.4 信息基因選擇策略
6.2 基于啟發(fā)式搜索的基因表達(dá)譜數(shù)據(jù)挖掘算法
6.2.1 腫瘤信息基因的啟發(fā)式寬度(HBSA)優(yōu)先搜索算法
6.2.2 信息基因選擇
6.2.3 HBSA算法實(shí)現(xiàn)
6.2.4 實(shí)驗(yàn)結(jié)果與分析
6.3 基于wilcoxon秩和檢驗(yàn)的信息基因選擇方法
6.3.1 算法的基本思想
6.3.2 算法的基本步驟
6.3.3 實(shí)驗(yàn)結(jié)果與分析
6.4 基于Kruskal-Wallis秩和檢驗(yàn)的基因選擇方法
6.4.1 算法的基本步驟
6.4.2 實(shí)驗(yàn)結(jié)果與分析
6.4.3 SRCT數(shù)據(jù)集中信息基因描述及腫瘤亞型相關(guān)基因推測(cè)
6.5 本章小結(jié)
參考文獻(xiàn)
第7章基于粗糙集的信息基因選擇方法
7.1 基于粗糙集的腫瘤信息基因選擇方法
7.1.1 粗糙集模型簡(jiǎn)介
7.1.2 粗糙集屬性約簡(jiǎn)的一般步驟和算法實(shí)現(xiàn)
7.1.3 基于粗糙集的信息基因選擇方法
7.1.4 實(shí)驗(yàn)結(jié)果與分析
7.2 基于鄰域粗糙集的腫瘤信息基因選擇方法
7.2.1 鄰域粗糙集模型簡(jiǎn)介
7.2.2 鄰域分類器
7.2.3 基于鄰域粗糙集模型的腫瘤分類方法
7.2.4 實(shí)驗(yàn)結(jié)果與分析
7.3 基于鄰域粗糙集的多類腫瘤亞型分類方法
7.3.1 多腫瘤亞型分類算法框架和模型
7.3.2 實(shí)驗(yàn)結(jié)果與分析
7.4 本章小結(jié)
參考文獻(xiàn)
第8章基于基因調(diào)控概率模型的基因表達(dá)譜數(shù)據(jù)挖掘方法
8.1 基因表達(dá)調(diào)控的生物學(xué)背景
8.2 基于概率統(tǒng)計(jì)的基因調(diào)控概率模型
8.3 基因調(diào)控概率計(jì)算
8.3.1 基于全概率公式的基因調(diào)控概率計(jì)算
8.3.2 基于最大似然估計(jì)的基因調(diào)控概率計(jì)算
……
第9章　基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的基因選擇及腫瘤分類方法
第10章　基于集成分類器系統(tǒng)的基因表達(dá)譜數(shù)據(jù)挖掘方法研究
第11章　基于流形學(xué)習(xí)的基因表達(dá)譜特征提取方法
第12章　基于張量分析的高階基因表達(dá)譜特征提取方法
附錄　部分源代碼
彩圖