《基因功能注釋方法研究》是2019年04月科學出版社出版的圖書，作者是馬知行。
基本介紹
- 書名：基因功能注釋方法研究
- 作者：馬知行
- ISBN：9787030578129
- 頁數：129
- 定價：98.00元
- 出版社：科學出版社
- 出版時間：2019年04月
- 裝幀：平裝
- 開本：16
內容簡介,圖書目錄,
內容簡介
非編碼基因的鑑定及功能注釋是當前遺傳信息研究領域的熱點問題。本書圍繞非編碼基因的鑑定、功能預測及基因沉默方法，提出由不同的基因晶片數據驅動，藉助計算方法構造生物網路，在全基因組範圍預測非編碼基因的功能。具體包括3個方面：首先，利用生物學統計特徵鑑定非編碼基因及其功能；其次，重注釋Affymetrix Human Genome U133A（GEO編號GPL96）人類全基因組基因晶片，提出了一種基於編碼、非編碼晶片數據的雙色共表達網路構建方法；最後，本書提出一種基於傅立葉分析的方法，將來自基因晶片的時序數據轉換為傅立葉譜，鑑定非編碼持家基因。
圖書目錄
目錄
前言
第1章 緒論 1
1.1 研究背景 1
1.1.1 人類基因組計畫 1
1.1.2 DNA元件百科全書 2
1.1.3 非編碼RNA 3
1.1.4 長非編碼RNA 3
1.1.5 小干擾RNA 4
1.2 國內外研究現狀 7
1.2.1 基於數據驅動的生物網路構造 7
1.2.2 生物網路與非編碼基因功能研究 9
1.2.3 疾病相關非編碼基因研究 10
1.2.4 siRNA沉默基因 11
1.3 研究內容及意義 22
第2章 非編碼基因特徵研究 24
2.1 非編碼基因生物統計特徵分析 25
2.1.1 lncRNA平面構象 25
2.1.2 lncRNA密碼子替換頻率 26
2.1.3 lncRNA核苷酸三聚體分布 29
2.1.4 lncRNA序列保守性分析 29
2.1.5 lncRNA可讀框特徵分析 30
2.2 lncRNA功能特異性分析 30
2.3 鑑定lncRNA 32
2.3.1 發現新的lncRNA 32
2.3.2 lncRNA與mRNA區別 33
2.4 非編碼基因資料庫 34
第3章 基於數據驅動的編碼基因功能注釋 36
3.1 生物晶片非編碼基因重注釋 36
3.1.1 HG-U133A晶片平台 36
3.1.2 晶片探針定義重注釋 36
3.1.3 HG-U133A重注釋結果與分析 38
3.2 非編碼基因功能預測 42
3.2.1 晶片數據預處理 42
3.2.2 構建共表達網路 43
3.2.3 功能預測 47
3.3 算法性能評價 47
3.3.1 隨機網路對比實驗 47
3.3.2 預測精確度、特異性 47
3.4 人類非編碼基因功能預測結果及分析 50
第4章 基於傅立葉分析的非編碼持家基因鑑定 54
4.1 傅立葉譜構造 54
4.1.1 基因表達時序數據選擇 55
4.1.2 時序數據預處理 56
4.2 鑑定持家基因 58
4.2.1 定義持家基因 58
4.2.2 識別和提取HKG譜的特徵信息 58
4.3 持家基因鑑定結果 59
4.4 預測性能分析 61
4.4.1 利用組織表達譜評價預測性能 63
4.4.2 驗證HKG預測結果與評價 63
4.5 預測結果分析 65
第5章 基於機器學習方法的siRNA沉默效率預測 69
5.1 siRNA樣本收集 69
5.2 siRNA特徵提取 70
5.3 預測模型構建 71
5.4 預測性能評估 72
第6章 siRNA沉默效率預測平台siRNApred 74
6.1 siRNApred平台的構建流程 74
6.2 siRNA特徵提取 75
6.2.1 單鹼基編碼 75
6.2.2 siRNA和mRNA序列組成 76
6.2.3 二模模序和三模模序位置與siRNA效率相關性分析 77
6.2.4 二模模序和三模模序的位置編碼 80
6.2.5 熱力學參數 82
6.3 基於隨機森林的siRNA沉默效率預測模型 82
6.3.1 決策樹 83
6.3.2 隨機森林預測模型 84
6.4 siRNA特徵選擇 84
6.4.1 z-score特徵重要度評價 85
6.4.2 siRNA最優特徵集合搜尋 85
6.5 實驗分析 86
6.5.1 實驗數據集 86
6.5.2 二模模序和三模模序位置編碼有效性 89
6.5.3 特徵評估與篩選 90
6.5.4 siRNApred與主流預測算法比較 94
第7章 基於卷積神經網路的siRNA沉默效率預測算法 99
7.1 卷積神經網路概述 99
7.1.1 卷積神經網路的結構及特點 100
7.1.2 卷積神經網路的前向過程 101
7.1.3 卷積神經網路的權值修正 104
7.2 基於卷積神經網路的siRNA沉默效率預測模型 105
7.2.1 基於卷積神經網路的siRNA沉默效率預測模型結構 105
7.2.2 適用於卷積神經網路的siRNA序列編碼 107
7.2.3 多模模序探測器的設計 107
7.2.4 建立邏輯回歸預測siRNA的沉默效率 109
7.2.5 基於卷積神經網路的siRNA沉默效率預測模型訓練過程 109
7.3 基於卷積神經網路的siRNA沉默效率預測模型超參數設定 110
7.3.1 卷積核尺寸參數對預測結果的影響 111
7.3.2 激活函式對預測結果的影響 112
7.3.3 學習率對預測結果的影響 113
7.4 與其他機器學習模型的比較 114
第8章 結論與展望 116
主要參考文獻 118
前言
第1章 緒論 1
1.1 研究背景 1
1.1.1 人類基因組計畫 1
1.1.2 DNA元件百科全書 2
1.1.3 非編碼RNA 3
1.1.4 長非編碼RNA 3
1.1.5 小干擾RNA 4
1.2 國內外研究現狀 7
1.2.1 基於數據驅動的生物網路構造 7
1.2.2 生物網路與非編碼基因功能研究 9
1.2.3 疾病相關非編碼基因研究 10
1.2.4 siRNA沉默基因 11
1.3 研究內容及意義 22
第2章 非編碼基因特徵研究 24
2.1 非編碼基因生物統計特徵分析 25
2.1.1 lncRNA平面構象 25
2.1.2 lncRNA密碼子替換頻率 26
2.1.3 lncRNA核苷酸三聚體分布 29
2.1.4 lncRNA序列保守性分析 29
2.1.5 lncRNA可讀框特徵分析 30
2.2 lncRNA功能特異性分析 30
2.3 鑑定lncRNA 32
2.3.1 發現新的lncRNA 32
2.3.2 lncRNA與mRNA區別 33
2.4 非編碼基因資料庫 34
第3章 基於數據驅動的編碼基因功能注釋 36
3.1 生物晶片非編碼基因重注釋 36
3.1.1 HG-U133A晶片平台 36
3.1.2 晶片探針定義重注釋 36
3.1.3 HG-U133A重注釋結果與分析 38
3.2 非編碼基因功能預測 42
3.2.1 晶片數據預處理 42
3.2.2 構建共表達網路 43
3.2.3 功能預測 47
3.3 算法性能評價 47
3.3.1 隨機網路對比實驗 47
3.3.2 預測精確度、特異性 47
3.4 人類非編碼基因功能預測結果及分析 50
第4章 基於傅立葉分析的非編碼持家基因鑑定 54
4.1 傅立葉譜構造 54
4.1.1 基因表達時序數據選擇 55
4.1.2 時序數據預處理 56
4.2 鑑定持家基因 58
4.2.1 定義持家基因 58
4.2.2 識別和提取HKG譜的特徵信息 58
4.3 持家基因鑑定結果 59
4.4 預測性能分析 61
4.4.1 利用組織表達譜評價預測性能 63
4.4.2 驗證HKG預測結果與評價 63
4.5 預測結果分析 65
第5章 基於機器學習方法的siRNA沉默效率預測 69
5.1 siRNA樣本收集 69
5.2 siRNA特徵提取 70
5.3 預測模型構建 71
5.4 預測性能評估 72
第6章 siRNA沉默效率預測平台siRNApred 74
6.1 siRNApred平台的構建流程 74
6.2 siRNA特徵提取 75
6.2.1 單鹼基編碼 75
6.2.2 siRNA和mRNA序列組成 76
6.2.3 二模模序和三模模序位置與siRNA效率相關性分析 77
6.2.4 二模模序和三模模序的位置編碼 80
6.2.5 熱力學參數 82
6.3 基於隨機森林的siRNA沉默效率預測模型 82
6.3.1 決策樹 83
6.3.2 隨機森林預測模型 84
6.4 siRNA特徵選擇 84
6.4.1 z-score特徵重要度評價 85
6.4.2 siRNA最優特徵集合搜尋 85
6.5 實驗分析 86
6.5.1 實驗數據集 86
6.5.2 二模模序和三模模序位置編碼有效性 89
6.5.3 特徵評估與篩選 90
6.5.4 siRNApred與主流預測算法比較 94
第7章 基於卷積神經網路的siRNA沉默效率預測算法 99
7.1 卷積神經網路概述 99
7.1.1 卷積神經網路的結構及特點 100
7.1.2 卷積神經網路的前向過程 101
7.1.3 卷積神經網路的權值修正 104
7.2 基於卷積神經網路的siRNA沉默效率預測模型 105
7.2.1 基於卷積神經網路的siRNA沉默效率預測模型結構 105
7.2.2 適用於卷積神經網路的siRNA序列編碼 107
7.2.3 多模模序探測器的設計 107
7.2.4 建立邏輯回歸預測siRNA的沉默效率 109
7.2.5 基於卷積神經網路的siRNA沉默效率預測模型訓練過程 109
7.3 基於卷積神經網路的siRNA沉默效率預測模型超參數設定 110
7.3.1 卷積核尺寸參數對預測結果的影響 111
7.3.2 激活函式對預測結果的影響 112
7.3.3 學習率對預測結果的影響 113
7.4 與其他機器學習模型的比較 114
第8章 結論與展望 116
主要參考文獻 118
