رویکردهای یادگیری ماشین در بیوانفورماتیک ۲۰۱۰
Machine Learning Approaches to Bioinformatics 2010

۱. مقدمه. ۱.۱. تاریخچه مختصر بیوانفورماتیک. ۱.۲. کاربرد پایگاه داده در بیوانفورماتیک. ۱.۳. ابزارها و خدمات وب برای همترازی توالی‌های همولوگ. ۱.۴. تحلیل الگو. ۱.۵. سهم فناوری اطلاعات. ۱.۶. فصل‌ها — ۲. مقدمه‌ای بر یادگیری بدون نظارت — ۳. رویکردهای تخمین چگالی احتمال. ۳.۱. رویکرد هیستوگرام. ۳.۲. رویکرد پارامتری. ۳.۳. رویکرد غیر پارامتری — ۴. کاهش ابعاد. ۴.۱. کلیات. ۴.۲. تحلیل مولفه‌های اصلی. ۴.۳. کاربردی از PCA. ۴.۴. مقیاس‌بندی چند بعدی. ۴.۵. کاربرد الگوریتم سامون بر روی داده‌های ژنی — ۵. تحلیل خوشه‌بندی. ۵.۱. خوشه‌بندی سلسله مراتبی. ۵.۲. K-میانگین. ۵.۳. فازی C-میانگین. ۵.۴. مدل‌های ترکیبی گاوسی. ۵.۵. کاربرد الگوریتم‌های خوشه‌بندی بر روی داده‌های بیان ژن Burkholderia pseudomallei — ۶. نقشه خودسازمان‌دهنده. ۶.۱. کوانتیزاسیون برداری. ۶.۲. ساختار SOM. ۶.۳. الگوریتم یادگیری SOM. ۶.۴. استفاده از SOM برای طبقه‌بندی. ۶.۵. کاربردهای بیوانفورماتیکی VQ و SOM. ۶.۶. مطالعه موردی تحلیل داده‌های بیان ژن. ۶.۷. مطالعه موردی تحلیل داده‌های توالی — ۷. مقدمه‌ای بر یادگیری با نظارت. ۷.۱. مفاهیم کلی. ۷.۲. تعریف کلی. ۷.۳. ارزیابی مدل. ۷.۴. سازماندهی داده. ۷.۵. قانون بیز برای طبقه‌بندی — ۸. تحلیل ممیزی خطی/درجه دو و K-نزدیک‌ترین همسایه. ۸.۱. تحلیل ممیزی خطی. ۸.۲. تحلیل ممیزی تعمیم‌یافته. ۸.۳. K-نزدیک‌ترین همسایه. ۸.۴. KNN برای تحلیل داده‌های ژنی — ۹. درخت‌های طبقه‌بندی و رگرسیون، الگوریتم جنگل تصادفی. ۹.۱. مقدمه. ۹.۲. اصل اساسی برای ساخت یک درخت طبقه‌بندی. ۹.۳. درخت طبقه‌بندی و رگرسیون. ۹.۴. CART برای پیش‌بینی دخالت مسیر ترکیبی. ۹.۵. الگوریتم جنگل تصادفی. ۹.۶. RF برای تحلیل پروفایل‌های بیان ژن Burkholderia pseudomallei — ۱۰. پرسپترون چند لایه. ۱۰.۱. مقدمه. ۱۰.۲. نظریه یادگیری. ۱۰.۳. الگوریتم‌های یادگیری. ۱۰.۴. کاربردها در بیوانفورماتیک. ۱۰.۵. مطالعه موردی بر روی داده‌های بیان ژن Burkholderia pseudomallei — ۱۱. رویکرد تابع پایه و ماشین‌های برداری. ۱۱.۱. مقدمه. ۱۱.۲. شبکه عصبی با تابع پایه شعاعی (RBFNN). ۱۱.۳. شبکه عصبی با تابع پایه زیستی. ۱۱.۴. ماشین بردار پشتیبان. ۱۱.۵. ماشین بردار مرتبط — ۱۲. مدل مخفی مارکوف. ۱۲.۱. مدل مارکوف. ۱۲.۲. مدل مخفی مارکوف. ۱۲.۳. HMM برای طبقه‌بندی توالی — ۱۳. انتخاب ویژگی. ۱۳.۱. استراتژی داخلی. ۱۳.۲. استراتژی جامع. ۱۳.۳. استراتژی ابتکاری – رویکرد حداقل مربعات متعامد. ۱۳.۴. معیارهای انتخاب ویژگی — ۱۴. استخراج ویژگی (کدگذاری داده‌های بیولوژیکی). ۱۴.۱. توالی‌های مولکولی. ۱۴.۲. ترکیبات شیمیایی. ۱۴.۳. تعریف کلی. ۱۴.۴. تحلیل توالی — ۱۵. مبانی بیوانفورماتیک توالی/ساختاری – طبقه‌بندی پپتید. ۱۵.۱. پیش‌بینی محل نیترات‌دار شدن. ۱۵.۲. پیش‌بینی ناحیه پروموتر گیاهی — ۱۶. شبکه ژنی – شبکه علّی و شبکه‌های بیزی. ۱۶.۱. شبکه تنظیم‌کننده ژن. ۱۶.۲. شبکه‌های علّی، شبکه‌ها، گراف‌ها. ۱۶.۳. مروری مختصر بر احتمال. ۱۶.۴. شبکه بیزی گسسته. ۱۶.۵. استنتاج با شبکه بیزی گسسته. ۱۶.۶. یادگیری شبکه بیزی گسسته. ۱۶.۷. شبکه‌های بیزی برای شبکه‌های تنظیم‌کننده ژن. ۱۶.۸. شبکه‌های بیزی برای کشف الگوهای پپتیدی. ۱۶.۹. شبکه‌های بیزی برای تحلیل داده‌های ژنی Burkholderia pseudomallei — ۱۷. سیستم‌های S. ۱۷.۱. قانون تغییر میکائلیس-منتن. ۱۷.۲. سیستم S. ۱۷.۳. ساده‌سازی یک سیستم S. ۱۷.۴. رویکردهایی برای شناسایی ساختار و تخمین پارامتر. ۱۷.۵. تحلیل حالت پایدار یک سیستم S. ۱۷.۶. حساسیت یک سیستم S — ۱۸. جهت‌گیری‌های آینده. ۱۸.۱. داده‌های چند منبعی. ۱۸.۲. ساخت شبکه تنظیم‌کننده ژن. ۱۸.۳. ساخت مدل با استفاده از داده‌های ناقص. ۱۸.۴. تشخیص نشانگر زیستی از داده‌های بیان ژن

1. Introduction. 1.1. Brief history of bioinformatics. 1.2. Database application in bioinformatics. 1.3. Web tools and services for sequence homology alignment. 1.4. Pattern analysis. 1.5. The contribution of information technology. 1.6. Chapters — 2. Introduction to unsupervised learning — 3. Probability density estimation approaches. 3.1. Histogram approach. 3.2. Parametric approach. 3.3. Non-parametric approach — 4. Dimension reduction. 4.1. General. 4.2. Principal component analysis. 4.3. An application of PCA. 4.4. Multi-dimensional scaling. 4.5. Application of the Sammon algorithm to gene data — 5. Cluster analysis. 5.1. Hierarchical clustering. 5.2. K-means. 5.3. Fuzzy C-means. 5.4. Gaussian mixture models. 5.5. Application of clustering algorithms to the Burkholderia pseudomallei gene expression data — 6. Self-organising map. 6.1. Vector quantization. 6.2. SOM structure. 6.3. SOM learning algorithm. 6.4. Using SOM for classification. 6.5. Bioinformatics applications of VQ and SOM. 6.6. A case study of gene expression data analysis. 6.7. A case study of sequence data analysis — 7. Introduction to supervised learning. 7.1. General concepts. 7.2. General definition. 7.3. Model evaluation. 7.4. Data organisation. 7.5. Bayes rule for classification — 8. Linear/quadratic discriminant analysis and K-nearest neighbour. 8.1. Linear discriminant analysis. 8.2. Generalised discriminant analysis. 8.3. K-nearest neighbour. 8.4. KNN for gene data analysis — 9. Classification and regression trees, random forest algorithm. 9.1. Introduction. 9.2. Basic principle for constructing a classification tree. 9.3. Classification and regression tree. 9.4. CART for compound pathway involvement prediction. 9.5. The random forest algorithm. 9.6. RF for analyzing Burkholderia pseudomallei gene expression profiles — 10. Multi-layer perceptron. 10.1. Introduction. 10.2. Learning theory. 10.3. Learning algorithms. 10.4. Applications to bioinformatics. 10.5. A case study on Burkholderia pseudomallei gene expression data — 11. Basis function approach and vector machines. 11.1. Introduction. 11.2. Radial-basis function neural network (RBFNN). 11.3. Bio-basis function neural network. 11.4. Support vector machine. 11.5. Relevance vector machine — 12. Hidden Markov model. 12.1. Markov model. 12.2. Hidden Markov model. 12.3. HMM for sequence classification — 13. Feature selection. 13.1. Built-in strategy. 13.2. Exhaustive strategy. 13.3. Heuristic strategy – orthogonal least square approach. 13.4. Criteria for feature selection — 14. Feature extraction (biological data coding). 14.1. Molecular sequences. 14.2. Chemical compounds. 14.3. General definition. 14.4. Sequence analysis — 15. Sequence/structural bioinformatics foundation – peptide classification. 15.1. Nitration site prediction. 15.2. Plant promoter region prediction — 16. Gene network – causal network and Bayesian networks. 16.1. Gene regulatory network. 16.2. Causal networks, networks, graphs. 16.3. A brief review of the probability. 16.4. Discrete Bayesian network. 16.5. Inference with discrete Bayesian network. 16.6. Learning discrete Bayesian network. 16.7. Bayesian networks for gene regulartory networks. 16.8. Bayesian networks for discovering peptide patterns. 16.9. Bayesian networks for analysing Burkholderia pseudomallei gene data — 17. S-systems. 17.1. Michealis-Menten change law. 17.2. S-system. 17.3. Simplification of an S-system. 17.4. Approaches for structure identification and parameter estimation. 17.5. Steady-state analysis of an S-system. 17.6. Sensitivity of an S-system — 18. Future directions. 18.1. Multi-source data. 18.2. Gene regulatory network construction. 18.3. Building models using incomplete data. 18.4. Biomarker detection from gene expression data