白蟻轉(zhuǎn)錄組數(shù)據(jù)處理與機器學習
定 價:168 元
- 作者:葉晨旭, 蘇曉紅, 邢連喜著
- 出版時間:2023/1/1
- ISBN:9787523201107
- 出 版 社:世界圖書出版公司
- 中圖法分類:Q969.29
- 頁碼:230
- 紙張:
- 版次:1
- 開本:26cm
本書基于白蟻發(fā)育、轉(zhuǎn)錄組大數(shù)據(jù)與機器學習 (人工智能核心) 交叉學科結(jié)合, 對白蟻巢群結(jié)構(gòu)和發(fā)育進行預測, 為精準防治提供依據(jù)。同時, 本書給出了不同于以往的針對白蟻的研究方法, 使用了各類經(jīng)典模型來預測白蟻巢內(nèi)的品級結(jié)構(gòu)和生存狀態(tài), 并對各個模型的優(yōu)劣進行了討論, 尤其是對基于深度學習的神經(jīng)網(wǎng)絡模型構(gòu)建部分進行了大量嘗試和比較。
第1章 白蟻品級分化和發(fā)育
1.1 白蟻品級的類型及外部形態(tài)
1.1.1 工蟻
1.1.2 兵蟻
1.1.3 生殖蟻
1.2 品級分化途徑
1.3 生殖蟻、工蟻和兵蟻的性腺發(fā)育
1.3.1 生殖蟻、工蟻和兵蟻的卵巢發(fā)育
1.3.2 生殖蟻、工蟻和兵蟻的卵子發(fā)生
1.3.3 生殖蟻、工蟻和兵蟻的精巢發(fā)育
1.3.4 生殖蟻、工蟻和兵蟻的精子發(fā)生
1.4 工蟻向生殖蟻轉(zhuǎn)化的可塑性
1.4.1 工蟻向生殖蟻轉(zhuǎn)化的發(fā)育途徑
1.4.2 工蟻向生殖蟻轉(zhuǎn)化的卵巢發(fā)育及卵子發(fā)生
1.4.3 工蟻生殖可塑性的分子機制
第2章 原始數(shù)據(jù)的處理
2.1 原始數(shù)據(jù)的概覽
2.2 原始數(shù)據(jù)的過濾
2.3 原始數(shù)據(jù)的組裝
2.3.1 從頭組裝軟件:Trinity
2.3.2 使用Trinity對原始數(shù)據(jù)進行組裝
2.3.3 用iAssembler處理欠拼接問題
2.4 獲得蛋白編碼序列(CDS)
2.4.1 CDS基礎介紹
2.4.2 用transdecoder預測ORF
2.4.3 使用diamond建立索引
2.4.4 進行氨基酸序列比對和核酸序列比對
2.4.5 用hmmer進行基于hmm的蛋白數(shù)據(jù)庫比對
2.4.6 用TransDecoder.Predict預測CDS
2.5 使用biowtie2和samtools獲得原始計數(shù)
2.5.1 獲取原始計數(shù)流程簡介
2.5.2 代碼實例
2.6 使用emapper進行注釋
2.6.1 關于emapper和eggnog
2.6.2 代碼實例
2.7 溫故而知新
第3章 組間差異基因分析
3.1 使用DESeq2包篩選差異基因
3.1.1 安裝R包
3.1.2 導入原始計數(shù)文件
3.1.3 使用DESeq2包
3.1.4 篩選結(jié)果
3.2 創(chuàng)建自己的物種注釋包
3.2.1 導入注釋表格
3.2.2 創(chuàng)建unigene到GOID的映射表格
3.2.3 創(chuàng)建unigene到KOID的映射表格
3.2.4 生成注釋包
3.3 表達量顯著差異基因富集分析
3.3.1 表達量顯著差異基因的GO富集
3.3.2 GO的基因集富集分析(gsea)
3.3.3 表達量顯著差異基因的KEGG富集
3.3.4 KEGG的基因集富集分析(gsea)
第4章 構(gòu)建分類模型
4.1 構(gòu)建數(shù)據(jù)集
4.1.1 計算rpkm
4.1.2 根據(jù)gsea結(jié)果篩選GOID
4.1.3 構(gòu)建表達量數(shù)據(jù)集
4.2 隨機森林
4.3 支持向量機
4.3.1 尋找合適的參數(shù)
4.3.2 構(gòu)建svm模型
4.4 KNN
4.5 判別分析
4.5.1 線性判別lda
4.5.2 非線性判別qda
4.6 梯度提升機
4.6.1 安裝H2O包
4.6.2 導入數(shù)據(jù)集
4.6.3 構(gòu)建GBM模型
4.6.4 搜索合適的參數(shù)來改善模型
4.7 深度學習(基于H2O包)
4.7.1 神經(jīng)網(wǎng)絡簡介
4.7.2 激活函數(shù)
4.7.3 構(gòu)建神經(jīng)網(wǎng)絡模型
4.7.4 超參數(shù)搜索
第5章 基于Keras的深度學習
5.1 Keras簡介
5.2 再次處理數(shù)據(jù)集
5.3 用Keras構(gòu)建第一個神經(jīng)網(wǎng)絡模型
5.3.1 搭建一個全連接網(wǎng)絡模型
5.3.2 了解你的神經(jīng)網(wǎng)絡層
5.3.3 編譯模型
5.3.4 訓練模型
5.3.5 使用模型來預測新數(shù)據(jù)集
5.4 卷積神經(jīng)網(wǎng)絡
5.4.1 認識卷積層
5.4.2 池化操作
5.4.3 使用卷積神經(jīng)網(wǎng)絡
5.4.4 改變數(shù)據(jù)格式
5.4.5 訓練模型
5.5 循環(huán)神經(jīng)網(wǎng)絡
5.5.1 循環(huán)神經(jīng)網(wǎng)絡簡介
5.5.2 使用一個簡單的RNN
5.5.3 LSTM和GRU
5.6 一維卷積
5.7 深度可分離卷積
5.8 雙向循環(huán)神經(jīng)網(wǎng)絡
5.9 函數(shù)API
5.9.1 函數(shù)API簡介
5.9.2 利用函數(shù)API構(gòu)建多輸入模型
5.9.3 在訓練中加入Tensorboard
5.10 將新數(shù)據(jù)用于qda和GBM模型
5.10.1 qda
5.10.2 GBM模型
參考文獻