生物信息学中的机器学习分析方法

前言 0 绪论 1

0.1生物信息学的概念 1

0.2生物信息学的研究内容 1

0.3微阵列分析技术 2

0.4基因调控网络 9

0.5蛋白质相互作用网络 11

0.6机器学习方法及应用 12

0.7本书主要内容和安排 15 参考文献 15

第Ⅰ篇 微阵列数据的分析和处理

第 1章 基于核方法的多病类 DNA微阵列数据集成分类器 21

1.1核机器学习 22

1.2基分类器的选择 24

1.3 DNA微阵列数据集成分类器结构框图 29

1.4实例研究 30

1.5本章小结 34 参考文献 34 第 2章 基于选择性独立成分分析的 DNA微阵列数据集成分类器 36

2.1基于重构样本误差的选择性独立成分分析 37

2.2实例研究 38

2.3本章小结 45 参考文献 45 第 3章 基于相关性分析的癌症诊断 47

3.1 K均值聚类 48

3.2基于特征选取的相关系数分析癌症诊断模型 48

3.3实验结果和分析 51

3.4本章小结 53

参考文献 53 第 4章 基于线性回归的 DNA微阵列数据稀疏特征基因选择 55

4.1特征选择 56

4.2回归分析 56

4.3仿真研究 61

4.4本章小结 64 参考文献 65 第 5章 基于贝叶斯理论的 DNA甲基化水平数据分型 66

5.1贝叶斯理论概述 67

5.2基于贝叶斯理论的 DNA甲基化水平数据分型 70

5.3聚类性能评估 74

5.4仿真研究 75

5.5本章小结 81 参考文献 81

第Ⅱ篇 基因调控网络的分析和构建

第 6章 基因表达数据缺失值处理 85

6.1三种基因表达数据缺失值估计方法 86

6.2内部规律与外部联系结合的基因表达数据缺失值估计方法 88

6.3仿真研究 91

6.4本章小结 98 参考文献 98 第 7章 基于角度离散化的基因调控网络定性分析 100

7.1三种基因调控网络定性分析方法 101

7.2基于角度离散化的基因调控网络方法 104

7.3仿真研究 107

7.4本章小结