系統(tǒng)生物學(xué)中的網(wǎng)絡(luò)分析方法

第一章 生物信息學(xué)和系統(tǒng)生物學(xué)基礎(chǔ)知識
1.1 基本概念
1.2 中心法則
1.3 表觀遺傳學(xué)
1.3.1 非編碼RNA
1.3.2 microRNA
1.3.3 組蛋白修飾
1.4 系統(tǒng)生物學(xué)
1.4.1 生物系統(tǒng)與生物網(wǎng)絡(luò)
1.4.2 系統(tǒng)生物學(xué)語言SBML
1.5 本章小結(jié)
第二章 網(wǎng)絡(luò)化建模的基本知識
2.1 馬爾科夫模型
2.1.1 簡述
2.1.2 舉例分析
2.2 隱馬爾科夫模型
2.2.1 簡介
2.2.2 HMM的改進(jìn)
2.2.3 隱馬爾科夫模型算法
2.3 貝葉斯網(wǎng)絡(luò)模型
2.3.1 貝葉斯網(wǎng)絡(luò)的基本概念
2.3.2 貝葉斯網(wǎng)絡(luò)定理
2.3.3 貝葉斯網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
2.3.4 簡單的貝葉斯網(wǎng)絡(luò)的例子
2.4 Petri網(wǎng)的構(gòu)建和應(yīng)用
2.4.1 Petri網(wǎng)簡介
2.4.2 Petri網(wǎng)的數(shù)學(xué)定義和特點
2.4.3 Petri網(wǎng)的應(yīng)用
2.4.4 Petri網(wǎng)的行為特征
2.4.5 Petri網(wǎng)的性能分析
2.5 布爾網(wǎng)絡(luò)的構(gòu)建
2.5.1 布爾網(wǎng)絡(luò)簡介
2.5.2 布爾網(wǎng)絡(luò)的狀態(tài)
2.5.3 布爾網(wǎng)絡(luò)動態(tài)行為研究
2.6 網(wǎng)絡(luò)比對的模型和算法
2.7 網(wǎng)絡(luò)聚類的模型和算法
2.8 網(wǎng)絡(luò)可視化軟件介紹
2.8.1 Pajek簡介
2.8.2 Pajek數(shù)據(jù)對象
2.8.3 Pajek實例演示
2.8.4 Pajek常用功能介紹
2.9 本章小結(jié)
第三章 大規(guī)模網(wǎng)絡(luò)化數(shù)據(jù)的處理方法
3.1 圖問題概論
3.2 圖問題的研究領(lǐng)域及算法
3.2.1 圖的基本分析
3.2.2 圖的匹配
3.2.3 圖數(shù)據(jù)中的關(guān)鍵字查詢
3.2.4 頻繁模式挖掘
3.2.5 圖的聚類
3.2.6 圖的分類
3.2.7 社交網(wǎng)絡(luò)分析
3.3 圖分析的發(fā)展——大數(shù)據(jù)時代的到來
3.4 單機分析工具
3.4.1 Pajek
3.4.2 UCINET
3.4.3 NetworkX
3.4.4 NetMiner 3
3.5 大圖分析——分布式圖計算模型介紹
3.5.1 MR-BSP
3.5.2 GraphLab
3.5.3 GraphBuilder
3.6 本章小結(jié)
第四章 蛋白質(zhì)相互作用網(wǎng)絡(luò)的建模與分析
4.1 問題描述
4.2 相關(guān)研究
4.2.1 實驗方法
4.2.2 計算生物學(xué)方法
4.2.3 蛋白質(zhì)相互作用的評估
4.2.4 可信度的評估和提高
4.2.5 蛋白質(zhì)相互作用網(wǎng)絡(luò)全局拓?fù)浣Y(jié)構(gòu)的度量準(zhǔn)則
4.2.6 蛋白質(zhì)相互作用網(wǎng)絡(luò)的局部結(jié)構(gòu)特點
4.2.7 具有生物學(xué)意義的子網(wǎng)
4.2.8 蛋白質(zhì)相互作用網(wǎng)絡(luò)研究面臨的困難與挑戰(zhàn)
4.2.9 一些蛋白質(zhì)相互作用的數(shù)據(jù)庫
4.3 確定蛋白質(zhì)相互作用網(wǎng)絡(luò)的計算方法
4.3.1 基于基因組信息的方法
4.3.2 基于進(jìn)化信息的方法
4.3.3 基于蛋白質(zhì)結(jié)構(gòu)的方法
4.3.4 基于氨基酸序列的方法
4.3.5 基于自然語言處理的文獻(xiàn)挖掘方法
4.3.6 基于機器學(xué)習(xí)方法預(yù)測蛋白質(zhì)相互作用
4.4 蛋白質(zhì)相互作用數(shù)據(jù)可靠性評價
4.4.1 相似性評價指標(biāo)
4.4.2 有效性評價指標(biāo)
4.5 本章小結(jié)
第五章 基因調(diào)控網(wǎng)絡(luò)的建模與分析
5.1 簡介
5.2 基因調(diào)控網(wǎng)絡(luò)
5.3 布爾網(wǎng)絡(luò)模型
5.3.1 普通布爾網(wǎng)絡(luò)
5.3.2 概率布爾網(wǎng)絡(luò)
5.4 數(shù)學(xué)建模
5.4.1 線性組合模型
5.4.2 加權(quán)矩陣模型
5.4.3 微分方程模型
5.5 貝葉斯網(wǎng)絡(luò)模型
5.5.1 靜態(tài)貝葉斯網(wǎng)絡(luò)模型
5.5.2 動態(tài)貝葉斯網(wǎng)絡(luò)模型
5.6 基因調(diào)控網(wǎng)絡(luò)各種構(gòu)建模型的比較
5.7 本章小結(jié)
第六章 表觀遺傳網(wǎng)絡(luò)的建模與分析
6.1 簡介
6.2 microRNA與疾病的網(wǎng)絡(luò)關(guān)系構(gòu)建
6.2.1 數(shù)據(jù)獲取與數(shù)據(jù)庫構(gòu)建
6.2.2 網(wǎng)絡(luò)構(gòu)建與數(shù)據(jù)分析
6.3 基于布爾網(wǎng)絡(luò)的microRNA挖掘
6.3.1 構(gòu)建microRNA網(wǎng)絡(luò)的理論依據(jù)
6.3.2 microRNA靶基因預(yù)測數(shù)據(jù)分析
6.3.3 布爾型microRNA網(wǎng)絡(luò)的構(gòu)建與分析
6.3.4 布爾型phenome-microRNAome網(wǎng)絡(luò)的構(gòu)建
6.3.5 基于布爾型網(wǎng)絡(luò)的疾病microRNA挖掘算法
6.4 基于權(quán)重網(wǎng)絡(luò)的microRNA挖掘
6.4.1 權(quán)重型microRNA網(wǎng)絡(luò)的構(gòu)建算法
6.4.2 權(quán)重型phenome-microRNAome網(wǎng)絡(luò)的構(gòu)建
6.5 組蛋白修飾與選擇性剪切外顯子表達(dá)間的調(diào)控網(wǎng)絡(luò)
6.5.1 簡介
6.5.2 基于貝葉斯網(wǎng)絡(luò)的組蛋白調(diào)控網(wǎng)絡(luò)構(gòu)建
6.5.3 組蛋白修飾與外顯子表達(dá)間調(diào)控網(wǎng)絡(luò)
6.5.4 生物驗證及分析
6.6 非穩(wěn)態(tài)組蛋白修飾調(diào)控網(wǎng)絡(luò)構(gòu)建方法研究
6.6.1 hmDBV模型及結(jié)構(gòu)學(xué)習(xí)算法
6.6.2 數(shù)據(jù)測試與分析
6.6.3 結(jié)果驗證
6.7 本章小結(jié)
第七章 進(jìn)化樹與進(jìn)化網(wǎng)絡(luò)的建模方法
7.1 進(jìn)化樹
7.1.1 分子數(shù)據(jù)
7.1.2 DNA進(jìn)化
7.1.3 進(jìn)化模型
7.2 常見的進(jìn)化樹構(gòu)建算法
7.2.1 距離法
7.2.2 最大簡約法
7.2.3 最大似然法
7.2.4 算法比較
7.3 基于鄰接法的分支交換操作
7.3.1 NNI、SPR、TBR和p-ECR搜索能力分析
7.3.2 p-ECRNJ操作
7.4 基于PSO的進(jìn)化樹構(gòu)建算法
7.5 結(jié)合QP和鄰接法的進(jìn)化樹構(gòu)建算法
7.5.1 QP算法
7.5.2 鄰接法
7.5.3 QPNJ算法
7.6 基于同倫方法的SEM算法
7.6.1 最大似然法和SEM算法
7.6.2 基于同倫方法的SEM算法推導(dǎo)
7.6.3 收斂性證明
7.7 進(jìn)化網(wǎng)
7.7.1 有根系統(tǒng)發(fā)生網(wǎng)絡(luò)構(gòu)建方法
7.7.2 有根系統(tǒng)發(fā)生網(wǎng)絡(luò)空間上測度的定義
7.8 本章小結(jié)
第八章 神經(jīng)網(wǎng)絡(luò)啟發(fā)的計算模型
8.1 引言
8.2 生物神經(jīng)網(wǎng)絡(luò)
8.2.1 生物神經(jīng)元及其模型
8.2.2 生物神經(jīng)元的功能特性
8.2.3 神經(jīng)元之間的信息傳遞
8.3 人工神經(jīng)網(wǎng)絡(luò)
8.3.1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展
8.3.2 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域及發(fā)展前景
8.3.3 人工神經(jīng)網(wǎng)絡(luò)的基本特性
8.4 人工神經(jīng)網(wǎng)絡(luò)的建?；A(chǔ)
8.4.1 人工神經(jīng)元模型
8.4.2 人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)類型
8.4.3 人工神經(jīng)網(wǎng)絡(luò)信息流向類型
8.4.4 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
8.5 感知器神經(jīng)網(wǎng)絡(luò)
8.5.1 單層感知器
8.5.2 多層感知器
8.5.3 基于B-P算法的多層感知器模型
8.5.4 多層感知器的主要能力
8.6 自組織神經(jīng)網(wǎng)絡(luò)
8.6.1 自組織映射模型
8.6.2 自組織競爭過程
8.6.3 ART網(wǎng)絡(luò)
8.6.4 反饋神經(jīng)網(wǎng)絡(luò)
8.7 本章小結(jié)
第九章 細(xì)胞網(wǎng)絡(luò)啟發(fā)的計算模型
9.1 引言
9.1.1 細(xì)胞
9.1.2 細(xì)胞自動機
9.1.3 Conway的生命游戲Game of Life
9.1.4 宇宙就是一個極其復(fù)雜的細(xì)胞自動機
9.1.5 現(xiàn)代細(xì)胞自動機的應(yīng)用
9.2 膜計算
9.2.1 標(biāo)準(zhǔn)P系統(tǒng)
9.2.2 細(xì)胞型膜系統(tǒng)
9.2.3 組織型膜系統(tǒng)
9.3 細(xì)菌智能算法
9.3.1 細(xì)菌的覓食行為
9.3.2 細(xì)菌的趨藥性
9.3.3 細(xì)菌群體的適應(yīng)性決策原理：啟發(fā)機器人設(shè)計
9.4 原始細(xì)胞網(wǎng)絡(luò)
9.5 本章小結(jié)
第十章 生物社會網(wǎng)絡(luò)啟發(fā)的計算模型
10.1 引言
10.2 對鳥群網(wǎng)絡(luò)的研究
10.3 對蟻群的研究
10.3.1 螞蟻的覓食行為
10.3.2 孵化分類啟發(fā)
10.3.3 協(xié)作運輸啟發(fā)
10.3.4 勞動分工啟發(fā)
10.4 對魚群的研究
10.5 對蜂群的研究
10.5.1 蜜蜂繁殖
10.5.2 蜜蜂采蜜
10.6 對青蛙群體的研究
10.7 本章小結(jié)