白蟻轉錄組數據處理與機器學習

定　價：￥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：
標　簽：	暫缺

ISBN：	9787523201107	出版時間：	2023-01-01	包裝：	平裝
開本：	16開	頁數：	230	字數：

內容簡介

　　白蟻是已知的古老的社會性昆蟲，具有復雜和顯著的品級分化。白蟻社會性生存是神奇的生物學事件之一，白蟻巢群發(fā)育也一直是研究者關注的焦點。本書以散白蟻屬Reticulitermes為代表，揭示了不同品級（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、轉錄組數據與機器學習交叉結合，對散白蟻巢群結構和發(fā)育進行預測。本書給出了不同于以往的針對白蟻的研究方法，使用機器學習各類經典模型來預測蟻巢內的品級結構和生存狀態(tài)，并對各個模型的優(yōu)劣進行了討論，尤其是對基于深度學習構建的模型進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的研究人員，進行非模式動物大數據處理、代碼編程和深度學習研究的參考資料，為白蟻的研究帶來了未來交叉發(fā)展的方向，也為白蟻防治行業(yè)從業(yè)者了解白蟻品級發(fā)育和巢群生存策略以及深刻理解白蟻防治工作的復雜性提供了通俗易懂、圖文并茂的介紹，為今后開展精準和高效的白蟻防治提供了依據。

作者簡介

暫缺《白蟻轉錄組數據處理與機器學習》作者簡介

圖書目錄

第1章白蟻品級分化和發(fā)育
1.1 白蟻品級的類型及外部形態(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 工蟻向生殖蟻轉化的可塑性
1.4.1 工蟻向生殖蟻轉化的發(fā)育途徑
1.4.2 工蟻向生殖蟻轉化的卵巢發(fā)育及卵子發(fā)生
1.4.3 工蟻生殖可塑性的分子機制
第2章原始數據的處理
2.1 原始數據的概覽
2.2 原始數據的過濾
2.3 原始數據的組裝
2.3.1 從頭組裝軟件：Trinity
2.3.2 使用Trinity對原始數據進行組裝
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基礎介紹
2.4.2 用transdecoder預測ORF
2.4.3 使用diamond建立索引
2.4.4 進行氨基酸序列比對和核酸序列比對
2.4.5 用hmmer進行基于hmm的蛋白數據庫比對
2.4.6 用TransDecoder.Predict預測CDS
2.5 使用biowtie2和samtools獲得原始計數
2.5.1 獲取原始計數流程簡介
2.5.2 代碼實例
2.6 使用emapper進行注釋
2.6.1 關于emapper和eggnog
2.6.2 代碼實例
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 導入原始計數文件
3.1.3 使用DESeq2包
3.1.4 篩選結果
3.2 創(chuàng)建自己的物種注釋包
3.2.1 導入注釋表格
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 表達量顯著差異基因富集分析
3.3.1 表達量顯著差異基因的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章構建分類模型
4.1 構建數據集
4.1.1 計算rpkm
4.1.2 根據gsea結果篩選GOID
4.1.3 構建表達量數據集
4.2 隨機森林
4.3 支持向量機
4.3.1 尋找合適的參數
4.3.2 構建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
4.6.1 安裝H2O包
4.6.2 導入數據集
4.6.3 構建GBM模型
4.6.4 搜索合適的參數來改善模型
4.7 深度學習（基于H2O包）
4.7.1 神經網絡簡介
4.7.2 激活函數
4.7.3 構建神經網絡模型
4.7.4 超參數搜索
第5章基于Keras的深度學習
5.1 Keras簡介
5.2 再次處理數據集
5.3 用Keras構建個神經網絡模型
5.3.1 搭建一個全連接網絡模型
5.3.2 了解你的神經網絡層
5.3.3 編譯模型
5.3.4 訓練模型
5.3.5 使用模型來預測新數據集
5.4 卷積神經網絡
5.4.1 認識卷積層
5.4.2 池化操作
5.4.3 使用卷積神經網絡
5.4.4 改變數據格式
5.4.5 訓練模型
5.5 循環(huán)神經網絡
5.5.1 循環(huán)神經網絡簡介
5.5.2 使用一個簡單的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)神經網絡
5.9 函數API
5.9.1 函數API簡介
5.9.2 利用函數API構建多輸入模型
5.9.3 在訓練中加入Tensorboard
5.10 將新數據用于qda和GBM模型
5.10.1 qda
5.10.2 GBM模型
參考文獻