深度学习在生物学中的应用
杨洋, 严文颖, 高锦 译
出版时间：2026年09月（预计）
页数：437（预计）
“这正是我在攻读博士学位之初就渴望拥有的一本书！它清晰地揭开了机器学习诸多核心概念的神秘面纱，并系统阐释了这些技术如何应用于生命科学的关键问题。”
——Petar Velickovic
谷歌DeepMind研究科学家
“对于希望运用深度学习解决生物学研究问题的学生与科研人员而言，这是一部极具价值的指南。它立足实践、易于上手，且包含了大量宝贵的实践技巧。”
——Ziga Avsec
谷歌DeepMind研究科学家
本书是一部注重实践、以项目驱动的专业指南，旨在弥合现代机器学习与真实世界生物学研究之间的鸿沟。无论你的专业背景是生物学、软件工程还是数据科学，《深度学习在生物学中的应用》都将为你提供开发深度学习模型的系统工具，以应对广泛的生物学挑战。
作者Charles Ravarani与Natasha Latysheva将通过一系列实操项目，指导你将深度学习应用于DNA、蛋白质、生物网络、医学影像和显微成像等前沿领域。每一章均为一个独立的小型研究项目，通过循序渐进的讲解，教你如何利用真实的生物学数据训练和解读深度学习模型。
本书涵盖：
● 构建模型以解决真实世界的生物学问题，如基因调控、蛋
白质功能预测、药物相互作用和癌症检测
● 应用卷积神经网络、Transformer、图神经网络和自编码器
等前沿架构
● 使用Python和交互式notebook开展实操学习
● 培养可迁移至生物学之外领域的问题解决直觉
无论你是在探索新方法、转向计算生物学，还是希望在自己的领域中理解机器学习，本书都将提供一条清晰、专业且易于上手的前进路径。
——Petar Velickovic
谷歌DeepMind研究科学家
“对于希望运用深度学习解决生物学研究问题的学生与科研人员而言，这是一部极具价值的指南。它立足实践、易于上手，且包含了大量宝贵的实践技巧。”
——Ziga Avsec
谷歌DeepMind研究科学家
本书是一部注重实践、以项目驱动的专业指南，旨在弥合现代机器学习与真实世界生物学研究之间的鸿沟。无论你的专业背景是生物学、软件工程还是数据科学，《深度学习在生物学中的应用》都将为你提供开发深度学习模型的系统工具，以应对广泛的生物学挑战。
作者Charles Ravarani与Natasha Latysheva将通过一系列实操项目，指导你将深度学习应用于DNA、蛋白质、生物网络、医学影像和显微成像等前沿领域。每一章均为一个独立的小型研究项目，通过循序渐进的讲解，教你如何利用真实的生物学数据训练和解读深度学习模型。
本书涵盖：
● 构建模型以解决真实世界的生物学问题，如基因调控、蛋
白质功能预测、药物相互作用和癌症检测
● 应用卷积神经网络、Transformer、图神经网络和自编码器
等前沿架构
● 使用Python和交互式notebook开展实操学习
● 培养可迁移至生物学之外领域的问题解决直觉
无论你是在探索新方法、转向计算生物学，还是希望在自己的领域中理解机器学习，本书都将提供一条清晰、专业且易于上手的前进路径。
- 前言
- 第1章 简介
- 1.1 入门
- 1.1.1 确定你的模型将取代什么
- 1.1.2 确定你的成功标准
- 1.1.3 大力投入评估工作
- 1.1.4 设计基线
- 1.1.5 项目时间盒管理
- 1.1.6 决定你是否真的需要深度学习
- 1.1.7 确保你拥有足够的良好数据
- 1.1.8 组建团队
- 1.1.9 你不需要超级计算机或更高的学历
- 1.2 技术简介
- 1.2.1 为什么选择JAX和Flax？
- 1.2.2 Python提示
- 1.2.3 JAX/Flax训练循环的解剖结构
- 1.3 机器学习概念
- 1.3.1 任务类型
- 1.3.2 体系结构类型
- 1.3.3 数据集分割
- 1.3.4 超参数
- 1.3.5 激活函数
- 1.3.6 优化器
- 1.3.7 初始化策略
- 1.3.8 模型检查点
- 1.3.9 提前停止
- 1.4 选择工作环境
- 1.4.1 选择交互式笔记本
- 1.4.2 为代码的重用和调试而构建结构
- 1.4.3 设置GPU开发环境
- 1.4.4 版本冲突
- 1.5 动态更新的文档
- 第2章 学习蛋白质序列语言
- 2.1 生物基础
- 2.1.1 蛋白质结构
- 2.1.2 蛋白质功能
- 2.1.3 蛋白质功能预测
- 2.2 机器学习基础
- 2.2.1 大型语言模型
- 2.2.2 嵌入表示
- 2.2.3 预训练与微调
- 2.3 蛋白质与蛋白质语言模型的表征
- 2.3.1 蛋白质的数值化表示
- 2.3.2 蛋白质序列的独热编码
- 2.3.3 氨基酸的学习嵌入
- 2.3.4 ESM2蛋白质语言模型
- 2.3.5 全蛋白质嵌入提取策略
- 2.3.6 细胞外蛋白与膜蛋白嵌入对比
- 2.4 准备数据
- 2.4.1 加载CAFA3数据
- 2.4.2 将数据集划分为子集
- 2.4.3 将蛋白质序列转换为对应的均值嵌入表示
- 2.5 模型训练
- 2.5.1 定义训练循环
- 2.5.2 模型预测分析
- 2.5.3 模型实用性评估
- 2.5.4 对测试集进行最终验证
- 2.6 改进与提升
- 2.6.1 生物学与分析性探索
- 2.6.2 机器学习改进方向
- 2.7 本章总结
- 第3章 探索DNA的“逻辑”
- 3.1 生物学入门
- 3.1.1 DNA 究竟是什么？
- 3.1.2 编码区与非编码区
- 3.1.3 转录因子如何调控基因活性
- 3.1.4 转录因子结合位点的定位测定
- 3.2 机器学习速成
- 3.2.1 卷积神经网络
- 3.2.2 面向DNA序列的卷积
- 3.2.3 Transformer
- 3.2.4 注意力
- 3.2.5 查询（Q）、键（K）与值（V）的直觉
- 3.2.6 多头注意力
- 3.2.7 位置编码
- 3.2.8 模型解释
- 3.2.9 计算机模拟饱和诱变
- 3.2.10 输入梯度
- 3.3 构建一个简单原型
- 3.3.1 构建数据集
- 3.3.2 定义一个简单的卷积模型
- 3.4 提升复杂度
- 3.4.1 开展计算机模拟诱变
- 3.4.2 多转录因子建模
- 3.5 高级技术
- 3.5.1 添加自注意力与Transformer模块
- 3.5.2 定义多种模型架构
- 3.5.3 遍历不同模型
- 3.5.4 在测试集上评估
- 3.5.5 扩展与改进
- 3.6 本章总结
- 第4章 用图理解药物间作用
- 4.1 生物学入门
- 4.1.1 有益的药物—药物相互作用
- 4.1.2 有害的药物—药物相互作用
- 4.1.3 DrugBank
- 4.2 机器学习入门
- 4.2.1 图结构的表示
- 4.2.2 图神经网络
- 4.2.3 图嵌入与消息传递
- 4.2.4 冷启动问题
- 4.2.5 GraphSAGE
- 4.3 选择数据集
- 4.3.1 描述数据集
- 4.3.2 探索数据集
- 4.3.3 检查药物名称
- 4.3.4 可视化图
- 4.4 构建数据集
- 4.4.1 创建数据集构建器
- 4.4.2 下载原始数据集
- 4.4.3 准备注释
- 4.4.4 准备图
- 4.4.5 准备对
- 4.4.6 子集化图
- 4.4.7 数据集类
- 4.5 构建原型
- 4.5.1 节点编码器
- 4.5.2 图卷积
- 4.5.3 链接预测
- 4.5.4 药物—药物相互作用模型
- 4.6 训练模型
- 4.6.1 创建一个易于处理的数据集
- 4.6.2 创建训练循环
- 4.6.3 创建对类
- 4.6.4 创建训练步骤函数
- 4.6.5 创建评估指标
- 4.6.6 训练最简单的模型
- 4.7 改进模型
- 4.7.1 更改为AUC损失
- 4.7.2 设置模型扫描和训练参数
- 4.7.3 在更大的数据集上训练
- 4.7.4 扩展
- 4.8 本章总结
- 第5章 从医学影像中检测皮肤癌
- 5.1 生物学基础
- 5.1.1 皮肤癌
- 5.1.2 病因与风险因素
- 5.1.3 皮肤癌的诊断方式
- 5.1.4 基于图像的皮肤癌检测
- 5.2 机器学习基础
- 5.2.1 卷积神经网络
- 5.2.2 理解卷积
- 5.2.3 理解维度
- 5.2.4 池化层
- 5.2.5 CNN的其他核心组件
- 5.2.6 残差网络
- 5.3 数据探索
- 5.3.1 初步概览
- 5.3.2 图像预览
- 5.3.3 解决数据集问题
- 5.3.4 数据集生成器
- 5.3.5 数据集准备就绪
- 5.4 构建皮肤癌分类模型
- 5.4.1 加载Flax ResNet50模型
- 5.4.2 提取ResNet主干网络
- 5.4.3 构建SkinLesionClassifierHead分类头
- 5.4.4 构建模型
- 5.5 模型训练
- 5.5.1 训练循环
- 5.5.2 创建多类别数据集
- 5.5.3 训练基线模型
- 5.5.4 训练ResNetFromScratch模型
- 5.5.5 训练FinetunedHeadResNet模型
- 5.5.6 训练FinetunedResNet模型
- 5.5.7 优化微调后的ResNet模型
- 5.5.8 训练优化后的微调ResNet模型
- 5.5.9 进一步改进模型
- 5.6 本章总结
- 第6章 探究细胞内的空间组织模式
- 6.1 生物学入门
- 6.1.1 细胞内的空间组织
- 6.1.2 蛋白质定位
- 6.1.3 了解蛋白质定位
- 6.2 机器学习入门
- 6.2.1 自动编码器
- 6.2.2 变分自编码器
- 6.2.3 矢量量化变分自编码器
- 6.2.4 解剖VQ-VAE图
- 6.2.5 训练VQ-VAE
- 6.3 构建数据集
- 6.3.1 数据要求
- 6.3.2 数据来源
- 6.3.3 查看数据集
- 6.3.4 实现DatasetBuilder类
- 6.4 构建原型模型
- 6.4.1 定义LocalizationModel
- 6.4.2 编码器：处理输入图像
- 6.4.3 矢量量化器：离散化嵌入
- 6.4.4 解码器：解码离散化嵌入返回图像
- 6.4.5 ClassificationHead：一个简单但重要的模块
- 6.4.6 建立模型训练
- 6.5 使用小图像集进行训练
- 6.5.1 检查图像重建
- 6.5.2 检查跨epoch的评估指标
- 6.5.3 不带分类任务的模型训练
- 6.6 了解模型
- 6.6.1 了解定位集群
- 6.6.2 检查特征谱
- 6.7 改进模型
- 6.7.1 扩展数据
- 6.7.2 延伸学习
- 6.8 本章总结
- 第7章 生物学中利用深度学习的注意事项和技巧
- 7.1 简化
- 7.1.1 简化你的模型
- 7.1.2 简化和控制你的环境
- 7.1.3 简化数据与问题
- 7.1.4 对单批数据的过拟合
- 7.1.5 回归基础
- 7.1.6 全面记录日志
- 7.1.7 寻求帮助
- 7.2 常见数据问题
- 7.2.1 数据泄露
- 7.2.2 错误的数据标签
- 7.2.3 类别不平衡
- 7.2.4 分布偏移
- 7.3 生物学特有的陷阱
- 7.4 常见模型问题
- 7.4.1 过拟合与泛化能力不佳
- 7.4.2 梯度消失与梯度爆炸
- 7.4.3 训练不稳定性
- 7.5 模型性能不佳
- 7.5.1 你应该做到多好呢？
- 7.5.2 解决模型表现不佳的问题
- 7.6 最后的想法
书名：深度学习在生物学中的应用
译者：杨洋, 严文颖, 高锦 译
国内出版社：东南大学出版社
出版时间：2026年09月（预计）
页数：437（预计）
书号：978-7-5766-2978-1
原版书书名：Deep Learning for Biology
原版书出版商：O'Reilly Media
封面所示的动物是船蛸
（学名：Argonauta argo）。尽管名称中带有“鹦鹉螺”（nautilus），但船蛸并非鹦鹉螺（鹦鹉螺是一类具有坚硬螺旋外壳的头足类动物），而是一种远洋章鱼。“船蛸”这一名称源于雌性船蛸分泌的薄如纸张的精致外壳，该外壳用于保护鱼卵。船蛸广泛分布于全球热带和亚热带海域，与其他章鱼偏好栖息于海底不同，它们更倾向于贴近海面活动。
船蛸的雌雄个体在体型和形态上差异显著。雌性体型大得多，体长（含外壳）可达约28厘米，而雄性体长仅约2.5厘米，且无外壳。雌性的外壳不仅能保护鱼卵，还可辅助其在水中移动——外壳可捕捉气泡，使雌性船蛸能在水中漂浮，同时节省能量。
船蛸的繁殖方式十分特殊。雄性拥有一条特化的“交接腕”（茎化腕，hectocotylus），内含精子，繁殖时会将其转移至雌性体内，随后交接腕会从雄性身体脱落。雌性会将鱼卵携带在外壳中并保护它们直至孵化。雌性船蛸在一生中可多次繁殖，而雄性仅繁殖一次。
（学名：Argonauta argo）。尽管名称中带有“鹦鹉螺”（nautilus），但船蛸并非鹦鹉螺（鹦鹉螺是一类具有坚硬螺旋外壳的头足类动物），而是一种远洋章鱼。“船蛸”这一名称源于雌性船蛸分泌的薄如纸张的精致外壳，该外壳用于保护鱼卵。船蛸广泛分布于全球热带和亚热带海域，与其他章鱼偏好栖息于海底不同，它们更倾向于贴近海面活动。
船蛸的雌雄个体在体型和形态上差异显著。雌性体型大得多，体长（含外壳）可达约28厘米，而雄性体长仅约2.5厘米，且无外壳。雌性的外壳不仅能保护鱼卵，还可辅助其在水中移动——外壳可捕捉气泡，使雌性船蛸能在水中漂浮，同时节省能量。
船蛸的繁殖方式十分特殊。雄性拥有一条特化的“交接腕”（茎化腕，hectocotylus），内含精子，繁殖时会将其转移至雌性体内，随后交接腕会从雄性身体脱落。雌性会将鱼卵携带在外壳中并保护它们直至孵化。雌性船蛸在一生中可多次繁殖，而雄性仅繁殖一次。
购买选项
|
© 2026，奥莱利技术咨询(北京)有限公司。版权所有。 传真: +86-10-88097463 京ICP备05003502号 |
|