本书介绍RNA结构特征，特别是RNA三级结构特征、构象采样表示模型、Rosetta框架、细胞反卷积算法、转录因子结合位点预测算法、特异性位点预测算法等内容；研究RNA三级结构预测算法与复杂性，构象采样和打分函数的构建，基于转录组测序技术的细胞反卷积算法，转录因子结合位点预测算法，DNA特异性位点预测算法等；研究Rosetta框架下基于枚举采样和随机抽样方案的RNA三级结构预测算法及其复杂性，基于卷积神经网络的自动预测组织细胞比例算法，基于组合特征编码和带权多粒度扫描策略的转录因子结合位点预测算法，基于特征度量机制和组合优化策略的DNA特异性位点预测算法等内容。
样章试读
目录
- 目录
前言
第1章 概述1
1.1 背景1
1.2 研究现状8
1.3 算法与计算复杂性11
1.4 NPC类问题12
1.5 NP难问题与近似算法14
参考文献14
第2章 RNA结构与模型21
2.1 RNA简介21
2.1.1 RNA基本知识21
2.1.2 RNA三级结构22
2.2 Rosetta框架简介24
2.2.1 Rosetta框架24
2.2.2 蒙特卡罗采样26
2.2.3 打分函数26
2.3 机器学习简介27
2.3.1 机器学习与深度学习27
2.3.2 卷积神经网络28
2.3.3 三维卷积神经网络29
2.3.4 基于ResNet的三维卷积神经网络30
第3章 RNA三级结构预测算法32
3.1 基于知识的RNA三级结构预测算法32
3.2 基于物理的RNA三级结构预测算法33
3.2.1 基于物理片段组装的RNA三级结构预测算法34
3.2.2 基于随机采样方案的RNA三级结构预测算法35
3.3 RNA三级结构预测算法分析36
第4章 基于随机采样策略的RNA三级结构预测算法37
4.1 引言37
4.2 SMCP算法设计与实现37
4.2.1 算法设计37
4.2.2 算法描述41
4.2.3 算法实现43
4.3 算法复杂性分析44
4.4 实验结果45
4.4.1 SMCP算法的高效实施45
4.4.2 SMCP算法建模复杂RNA模体46
4.4.3 SMCP算法的严格测试47
第5章 基于3DResNet的RNA三级结构预测算法49
5.1 引言49
5.2 Res3DScore算法设计与实现50
5.2.1 算法设计50
5.2.2 算法描述52
5.2.3 算法实现53
5.3 实验结果55
第6章 基于卷积神经网络的细胞反卷积预测算法59
6.1 引言59
6.2 Autoptcr算法设计与实现59
6.2.1 算法描述59
6.2.2 算法实现61
6.2.3 参数设置63
6.2.4 训练方式63
6.3 实验分析64
6.3.1 数据集64
6.3.2 评价标准64
6.3.3 算法与其他方法比较65
第7章 基于卷积自编码器的细胞反卷积预测算法68
7.1 引言68
7.1.1 研究难点69
7.1.2 相关领域研究现状71
7.1.3 主要研究工作71
7.2 测序技术72
7.2.1 基因芯片73
7.2.2 测序数据标准化75
7.3 细胞组分分析算法77
7.3.1 基于实验的算法77
7.3.2 基于计算的算法77
7.4 Aptcr算法83
7.4.1 Aptcr算法的设计与实现84
7.4.2 实验分析90
7.5 基于卷积自编码器的细胞反卷积算法96
7.5.1 概述96
7.5.2 Cdaca算法的设计与实现96
7.5.3 实验分析104
参考文献108
第8章 基于带权多粒度扫描的转录因子结合位点预测算法115
8.1 研究背景与意义115
8.2 国内外研究现状116
8.2.1 基于序列计算的预测算法117
8.2.2 基于机器学习的预测算法118
8.3 研究内容121
8.4 转录因子结合位点简介121
8.4.1 基因表达与转录调控121
8.4.2 转录因子122
8.4.3 转录因子结合位点及其预测123
8.5 传统机器学习简介124
8.5.1 传统机器学习基本知识124
8.5.2 决策树与随机森林124
8.5.3 深度森林125
8.6 深度学习简介126
8.6.1 CNN127
8.6.2 注意力机制128
8.6.3 RNN129
8.7 转录因子结合位点预测算法131
8.7.1 WMS_TF算法的设计与实现131
8.7.2 实验结果及分析140
参考文献144
第9章 基于注意力机制的转录因子结合位点预测算法151
9.1 引言151
9.2 LAM_TF算法设计与实现151
9.2.1 算法设计151
9.2.2 算法描述155
9.2.3 评价指标156
9.3 实验结果及分析157
9.3.1 实验设置157
9.3.2 实验分析158
9.3.3 LAM_TF算法基准测试159
第10章 基于特征度量机制attC位点预测算法161
10.1 研究背景及意义161
10.2 国内外研究现状162
10.2.1 基于机器学习的预测技术163
10.2.2 基于深度学习的预测技术165
10.3 主要研究内容166
10.4 DNA特异性位点简介168
10.4.1 DNA重组位点168
10.4.2 DNA甲基化位点170
10.4.3 DNA特异性位点预测172
10.5 机器学习简介173
10.6 深度学习简介177
10.7 FMCO算法的设计与实现180
10.7.1 算法设计180
10.7.2 算法描述184
10.7.3 评价指标187
10.7.4 实验结果188
参考文献192
第11章 基于特征融合策略的4mC位点预测算法200
11.1 引言200
11.2 FFCNN算法的设计与实现200
11.2.1 算法设计200
11.2.2 算法描述205
11.2.3 评价指标207
11.3 实验结果208
11.3.1 实验设置208
11.3.2 消融实验209
11.3.3 组合特征编码实验209
11.3.4 FFCNN算法基准测试210
第12章 基于进阶模型的RNA结构预测算法213
12.1 引言213
12.2 研究内容213
12.3 研究目标218
12.4 关键科学问题218
12.5 研究方法与技术路线219
12.6 关键技术222
第13章 RNA结构预测总结与展望224
13.1 总结224
13.2 展望228
京公网安备 11010102004214号