●目錄前言 1第1 章 為什麼是生命科學？ 7為什麼是深度學習？ 7當代生命科學是關於數據的 8你能學到什麼？ 9第2 章 深度學習概論 15線性模型 16多層感知器 18訓練模型 22驗證 24正則化 25超參數優化 26其他類型的模型 28卷積神經網絡 28遞歸神經網絡 29延伸閱讀 31第3 章 基於DeepChem 的機器學習 33DeepChem 數據集 34訓練一個預測分子毒性的模型 36案例研究：訓練MNIST 模型 44MNIST 數字識別數據集 45MNIST 的卷積結構 46softmax 和SoftMaxCrossEntropy 50結論 51第4 章 分子的機器學習 53什麼是分子？ 54什麼是分子鍵？ 56分子圖 58分子構型 59分子的手性60分子的特征表示 62SMILES 字符串和RDKit 62擴展– 連接指紋 62分子描述符63圖卷積 64訓練一個模型來預測溶解度 65MoleculeNet 67SMARTS 字符串 67結論 70第5 章 生物物理的機器學習 71蛋白質結構 73蛋白質序列75不能用計算方法預測3D 蛋白質結構嗎？ 77蛋白質結合簡介 78生物物理數據的特征化 79網格特征化80原子特征化84PDBBind 案例研究 85PDBBind 數據集 85特征化PDBBind 數據集 89結論 93第6 章 基因組學的深度學習 97DNA、RNA 和蛋白質 98現在是現實世界 100轉錄因子的結合 102一個用於TF 結合的卷積模型 103染色質可接近性 106RNA 干擾 109結論 112第7 章 顯微鏡檢查的機器學習 115顯微學簡介 117現代光學顯微技術 118衍射極限 120電子和原子力顯微技術 122超分辨顯微技術 124深度學習和衍射極限? 126制備生物顯微鏡樣本 126染色 126樣本固定 128切片樣本 128熒光顯微技術 129樣本制備工件 131深度學習應用 132細胞計數 132什麼是細胞繫？ 132細胞分割 136計算分析 141結論 141第8 章 醫學領域的深度學習 143計算機輔助診斷 143貝葉斯網絡的概率診斷 145電子健康記錄數據 146ICD-10 編碼 147那麼無監督學習呢？ 148患者EHR 大型數據庫存在危險嗎？ 149用於放射學的深度學習 150x 線掃描和CT 掃描 153組織學 155核磁共振掃描 156學習模型作為一種治療方法 157糖尿病視網膜病變 158結論 162道德考慮 162失業 163小結 164第9 章 生成模型 165變分自編碼 165生成對抗網絡 167生成模型在生命科學中的應用 169為先導化合物提供新思路 169蛋白質的設計 170用於科學發現的工具 170生成建模的未來 170使用生成模型 171分析生成模型的輸出 173結論 176第10 章 深層模型的解釋 179解釋預測 180優化輸入 183預測的不確定性 187可解釋性、可擴展性和實際後果 191結論 192第11 章 虛擬篩選工作流示例 193為預測建模準備數據集 194訓練預測模型 201為模型預測準備數據集 207應用預測模型 211結論 219第12 章 前景和展望 221醫學診斷 221個性化醫療 223藥物研發 225生物學研究 226結論 228

你將跟隨設計一個將物理、化學、生物學和醫學聯繫在一起的新療法問題的案例研究，該案例代表了科學研究中的一個擁有挑戰性的問題。通過本書，你將學到：學習在分子數據上執行機器學習的基礎知識。理解為什麼深度學習是研究遺傳學和基因組學的有力工具。應用深度學習理解生物物理繫統。通過DeepChem獲得機器學習的簡單認識。使用深度學習分析顯微圖像。使用深度學習技術分析醫學掃描圖像。了解變分自編碼器和生成對抗網絡。解釋你的模型在做什麼以及它是如何工作的。

[美]巴拉斯·拉姆達（Bharath Ramsundar）,[美]彼得·伊斯曼（Peter Eastman）,[美]帕特瑞克·瓦爾特（Patrick Walters）,[美]維傑·潘德（Vijay 著