白蟻轉(zhuǎn)錄組數(shù)據(jù)處理與機(jī)器學(xué)習(xí)

定　價(jià)：￥168.00

作　者：	葉晨旭，蘇曉紅，邢連喜
出版社：	世圖出版公司
叢編項(xiàng)：
標(biāo)　簽：	暫缺

ISBN：	9787523201107	出版時(shí)間：	2023-01-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：	230	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　白蟻是已知的古老的社會(huì)性昆蟲，具有復(fù)雜和顯著的品級(jí)分化。白蟻社會(huì)性生存是神奇的生物學(xué)事件之一，白蟻巢群發(fā)育也一直是研究者關(guān)注的焦點(diǎn)。本書以散白蟻屬Reticulitermes為代表，揭示了不同品級(jí)（生殖蟻、工蟻和兵蟻）性腺發(fā)育的特征，并基于散白蟻發(fā)育、轉(zhuǎn)錄組數(shù)據(jù)與機(jī)器學(xué)習(xí)交叉結(jié)合，對(duì)散白蟻巢群結(jié)構(gòu)和發(fā)育進(jìn)行預(yù)測(cè)。本書給出了不同于以往的針對(duì)白蟻的研究方法，使用機(jī)器學(xué)習(xí)各類經(jīng)典模型來(lái)預(yù)測(cè)蟻巢內(nèi)的品級(jí)結(jié)構(gòu)和生存狀態(tài)，并對(duì)各個(gè)模型的優(yōu)劣進(jìn)行了討論，尤其是對(duì)基于深度學(xué)習(xí)構(gòu)建的模型進(jìn)行了大量嘗試和比較。本書可作為廣大白蟻研究人員，尤其是非生物信息學(xué)的研究人員，進(jìn)行非模式動(dòng)物大數(shù)據(jù)處理、代碼編程和深度學(xué)習(xí)研究的參考資料，為白蟻的研究帶來(lái)了未來(lái)交叉發(fā)展的方向，也為白蟻防治行業(yè)從業(yè)者了解白蟻品級(jí)發(fā)育和巢群生存策略以及深刻理解白蟻防治工作的復(fù)雜性提供了通俗易懂、圖文并茂的介紹，為今后開展精準(zhǔn)和高效的白蟻防治提供了依據(jù)。

作者簡(jiǎn)介

暫缺《白蟻轉(zhuǎn)錄組數(shù)據(jù)處理與機(jī)器學(xué)習(xí)》作者簡(jiǎn)介

圖書目錄

第1章白蟻品級(jí)分化和發(fā)育
1.1 白蟻品級(jí)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(jí)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(jī)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(guò)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(duì)原始數(shù)據(jù)進(jìn)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(chǔ)介紹
2.4.2 用transdecoder預(yù)測(cè)ORF
2.4.3 使用diamond建立索引
2.4.4 進(jìn)行氨基酸序列比對(duì)和核酸序列比對(duì)
2.4.5 用hmmer進(jìn)行基于hmm的蛋白數(shù)據(jù)庫(kù)比對(duì)
2.4.6 用TransDecoder.Predict預(yù)測(cè)CDS
2.5 使用biowtie2和samtools獲得原始計(jì)數(shù)
2.5.1 獲取原始計(jì)數(shù)流程簡(jiǎn)介
2.5.2 代碼實(shí)例
2.6 使用emapper進(jìn)行注釋
2.6.1 關(guān)于emapper和eggnog
2.6.2 代碼實(shí)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(dǎo)入原始計(jì)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(dǎo)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(dá)量顯著差異基因富集分析
3.3.1 表達(dá)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(dá)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(jì)算rpkm
4.1.2 根據(jù)gsea結(jié)果篩選GOID
4.1.3 構(gòu)建表達(dá)量數(shù)據(jù)集
4.2 隨機(jī)森林
4.3 支持向量機(jī)
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(jī)
4.6.1 安裝H2O包
4.6.2 導(dǎo)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(lái)改善模型
4.7 深度學(xué)習(xí)（基于H2O包）
4.7.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
4.7.2 激活函數(shù)
4.7.3 構(gòu)建神經(jīng)網(wǎng)絡(luò)模型
4.7.4 超參數(shù)搜索
第5章基于Keras的深度學(xué)習(xí)
5.1 Keras簡(jiǎn)介
5.2 再次處理數(shù)據(jù)集
5.3 用Keras構(gòu)建個(gè)神經(jīng)網(wǎng)絡(luò)模型
5.3.1 搭建一個(gè)全連接網(wǎng)絡(luò)模型
5.3.2 了解你的神經(jīng)網(wǎng)絡(luò)層
5.3.3 編譯模型
5.3.4 訓(xùn)練模型
5.3.5 使用模型來(lái)預(yù)測(cè)新數(shù)據(jù)集
5.4 卷積神經(jīng)網(wǎng)絡(luò)
5.4.1 認(rèn)識(shí)卷積層
5.4.2 池化操作
5.4.3 使用卷積神經(jīng)網(wǎng)絡(luò)
5.4.4 改變數(shù)據(jù)格式
5.4.5 訓(xùn)練模型
5.5 循環(huán)神經(jīng)網(wǎng)絡(luò)
5.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
5.5.2 使用一個(gè)簡(jiǎn)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(luò)
5.9 函數(shù)API
5.9.1 函數(shù)API簡(jiǎn)介
5.9.2 利用函數(shù)API構(gòu)建多輸入模型
5.9.3 在訓(xùn)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(xiàn)