檢視组学机器学习的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=https://www0.kfzimg.com/sw/kfz-cos/kfzimg/13270436/b6562e80cfb537c9_s.jpg width="260"></center>
<small>[https://book.kongfz.com/175580/7269623434 来自 孔夫子网 的图片]</small>
|}

《'''组学机器学习'''》，刘琦 著，出版社： 科学出版社。

[[书籍]]是人类进步的阶梯，合理阅读使一个人完善自身的知识结构<ref>[https://www.sohu.com/a/118132866_476211 什么是时代的知识结构——汤胜天]，搜狐，2016-11-04</ref>，全面提升人文素质<ref>[https://www.sohu.com/a/206238408_558455 陈丹青：何谓人文素质教育？ ]，搜狐，2017-11-24</ref>，为走向成功奠定坚实的基础。

==内容简介==

人工智能驱动的组学挖掘是数据驱动的生物医学研究的支撑技术。组学测序技术逐步向多尺度、跨模态、有扰动等方向发展，但体现出的高维度、高噪声、多模态、标记稀缺等特点，成为制约其有效挖掘的瓶颈。《组学机器学习》面向生命组学数据特点，较为系统和深入地对组学机器学习的主要研究范式、适用场景、分析方法、理论思想进行介绍。结合相应组学挖掘的具体研究案例，向读者展示组学人工智能驱动的生命健康交叉研究的绚烂图景。

==目录==

**部分 组学机器学习导论

第1章 组学[[机器]]学习概述 3

1.1 组学概述 3

1.2 组学机器学习 6

1.3 本章小结 8

参考文献 10

第二部分 组学的表征学习

第2章 组学的表征——度量13

2.1 度量学习 13

2.2 案例一：基于参考单细胞转录组进行细胞类型识别的度量学习 17

2.3 案例二：整合多个参考单细胞组进行细胞类型识别的度量学习 34

2.4 案例三：药物基因组的度量学习 47

2.5 本章小结 58

参考[[文献]] 58

第3章 组学的表征——嵌入66

3.1 嵌入66

3.2 案例：CRISPR功能基因组的嵌入学习72

3.3 本章小结 83

参考文献 84

第4章组学的表征——多模态整合 87

4.1多模态整合87

4.2案例：单细胞RNA-seq和单细胞ATAC-seq多模态整合 95

4.3本章小结 114

参考文献114

第三部分 组学的弱监督学习

第5章 组学的不完备监督——半监督学习 123

5.1 半监督学习 123

5.2 案例：抗癌药物组合预测的半监督学习 127

5.3 本章小结 138

参考文献138

第6章 组学的不完备监督——迁移学习141

6.1 迁移学习 141

6.2 案例一：基因编辑系统优化设计的迁移学习146

6.3 案例二：药物小分子设计的迁移学习 158

6.4 本章小结 166

参考文献167

第7章 组学的不完备监督——元学习 171

7.1 元学习171

7.2 案例：抗原 -TCR识别的元学习 175

7.3 本章小结 186

参考文献187

第8章 组学的不完备监督——主动学习190

8.1 主动学习 190

8.2 案例：基于主动学习的化学反应定量建模 198

8.3 本章小结 208

参考文献208

第四部分 组学的隐私计算

第9章 组学的隐私保护——联邦学习 217

9.1 联邦学习 217

9.2 案例一：药物小分子定量构效关系建模的联邦学习 220

9.3 案例二：单细胞组学整合的联邦学习 225

9.4 本章小结 233

参考文献 234

总结与展望 237

术语表 239

==参考文献==
[[Category:040 類書總論；百科全書總論]]