生物醫藥大數據與智能分析

彭紹亮

國家超級計算長沙中心副主任，湖南大學信息科學與工程學院教授、博導，湖南大學教育輿情研究中心副主任（兼），2020年被聘為長江學者特聘教授，2019年獲湖南省傑出青年基金支持，長期從事高性能計算、大數據、生物信息、人工智能、區塊鏈等方面研究。擔任國防科技大學“天河”系列超級電腦生命科學方向負責人，國防科技大學/華大基因兼職教授，鵬城實驗室智慧醫療平臺課題負責人，中央軍委科技委生物交叉立項專家組成員，科技部、工信部、教育部會評專家；中國電腦學會（CCF）理事，生物信息學、電腦應用專委副主任，大數據、高性能計算專委常委，區塊鏈專委委員，CCF傑出會員和傑出講者；湖南省生物信息學會發起人、理事長，3個SCI期刊和多個EI期刊的主編、副主編。出版專著7部，發表學術論文上百篇，Google引用五千餘次。負責“天河”系列超級電腦應用軟件研發工作，主持和參與科技部、國家自然科學基金委重點項目，973/863項目等項目13項。獲2019年國家科學技術進步獎二等獎，2019年湖南省技術發明獎一等獎（排名第1），2013年軍隊科學技術進步獎一等獎，2018年CCF科學技術獎自然科學二等獎（排名第1），2016年榮立三等功 。

 

王曉偉

國防科技大學電腦科學與技術專業博士、軟件工程博士後科研流動站博士後。長期從事網絡空間安全、生物醫藥、軍事信息系統等領域的大數據與人工智能技術研發工作。作為骨乾參與“天河”系列超級電腦應用軟件研發工作，獲2017年軍隊科學技術進步獎一等獎。參與國家863計劃、國家重點研發計劃、國家自然科學基金重點項目等項目6項，參與制定國家及行業標準3項，作為第一譯者出版譯著2部（《命令行中的數據科學》《實時分析：流數據的分析與可視化技術》），參與編寫教材2部（《生物信息計算》《大數據導論》）。

目錄

 

第　一篇 緒論

第　1 章 生物醫藥大數據與智能分析概述　2

1.1　生物醫藥大數據　2

1.2　生物醫藥大數據的高效處理　3

1.2.1　大規模並行處理技術　3

1.2.2　雲計算技術　5

1.3　生物醫藥大數據的智能分析　5

1.4　總結　6

1.5　本書的內容安排　6

第二篇　生物醫藥大數據的高效處理

第　2 章 生物醫藥大數據高效處理的基礎　9

2.1　大數據計算模型　9

2.1.1　外存模型　9

2.1.2　數據流模型　9

2.1.3　PRAM 模型　10

2.1.4　MapReduce 模型　10

2.2　並行計算　10

2.2.1　計算密集型和數據密集型　11

2.2.2　並行計算的粒度　11

2.2.3　並行編程的一般設計過程　11

2.2.4　並行編程模型　12

2.3　總結　12

第　3 章 海量基因表達譜分析　13

3.1　基因表達譜分析與生物效應評估概述　14

3.2　海量基因表達譜快速查詢　15

3.2.1　GSEA 工具　15

3.2.2　海量基因表達譜查詢算法　17

3.2.3　性能評估　25

3.3　海量基因表達譜並行比對與聚類　27

3.3.1　基因表達數據庫 CMap　28

3.3.2　基因表達譜並行比對　29

3.3.3　基因表達譜並行聚類　30

3.3.4　性能評估　34

3.4　總結　40

第　4 章 功能性前噬菌體預測　42

4.1　前噬菌體預測概述　43

4.1.1　噬菌體與功能性前噬菌體　43

4.1.2　前噬菌體與功能性前噬菌體預測的挑戰　45

4.2　功能性前噬菌體預測算法　47

4.2.1　LysoPhD 流程設計　47

4.2.2　數據質量控制流水線　49

4.2.3　前噬菌體範圍的粗略預測　50

4.2.4　前噬菌體範圍的精確預測　53

4.2.5　前噬菌體功能性分析　54

4.2.6　基於末端延伸算法的溶原性噬菌體完整序列提取　55

4.2.7　性能評估　57

4.3　預測算法並行化　62

4.3.1　多線程並行加速　63

4.3.2　溶原性噬菌體數據庫構建　64

4.4　總結　65

第　5 章 高通量藥物虛擬篩選　67

5.1　藥物虛擬篩選概述　68

5.1.1　藥物虛擬篩選　68

5.1.2　虛擬篩選軟件 D3DOCKxb　70

5.2　基於 CPU 多核的藥物虛擬篩選並行優化　71

5.2.1　D3DOCKxb 程序分析　72

5.2.2　基於 CPU 多核的 D3DOCKxb 設計與實現　73

5.2.3　性能評估　76

5.3　基於 CPU-MIC 協同的藥物虛擬篩選並行優化　79

5.3.1　基於 MIC 協處理器的 D3DOCKxb 移植　80

5.3.2　CPU-MIC 異構協同的 mD3DOCKxb　84

5.3.3　性能評估　86

5.4　基於“天河二號”超級電腦的大規模高通量藥物虛擬篩選平臺　90

5.4.1　高通量虛擬篩選的主要挑戰　90

5.4.2　高通量虛擬篩選的算法設計　91

5.4.3　性能評估　93

5.4.4　應用研究　97

5.5　總結　99

第三篇　生物醫藥大數據的智能分析

第　6 章 生物醫藥大數據的智能分析基礎　102

6.1　傳統的機器學習技術　102

6.2　深度學習在生物醫藥大數據中的應用　103

6.2.1　在組學研究中的應用　104

6.2.2　在生物醫學影像中的應用　105

6.2.3　在生物醫學信號處理中的應用　105

6.2.4　在藥物研發中的應用　106

6.3　常見的深度學習模型和框架　107

6.3.1　常見的深度學習模型　107

6.3.2　常見的深度學習框架　111

6.4　深度學習解決生物大數據問題的一般方法　112

6.4.1　數據獲取及編碼　112

6.4.2　數據預處理　113

6.4.3　模型訓練　115

6.4.4　性能評估　116

6.5　總結　117

第　7 章 基於字典學習的腫瘤基因表達譜分類　118

7.1　腫瘤基因表達譜分類概述　119

7.1.1　腫瘤與基因表達譜　119

7.1.2　分類算法　123

7.2　基於判別投影的字典學習基因表達譜分類　126

7.2.1　字典學習分類算法　126

7.2.2　基於判別投影的字典學習算法　128

7.2.3　性能評估　132

7.3　結合集成學習的字典學習基因表達譜分類　134

7.3.1　集成學習　134

7.3.2　結合集成學習的字典學習算法　136

7.3.3　性能評估　140

7.4　基於隨機序列和樣本距離的基因表達譜特徵選擇　143

7.4.1　數據預處理方法　144

7.4.2　腫瘤基因表達譜數據的特徵選擇　145

7.4.3　性能評估　148

7.5　總結　149

第　8 章 基於深度學習的 RNA 編輯位點識別　150

8.1　RNA 編輯識別概述　150

8.1.1　RNA 編輯　150

8.1.2　RNA 編輯識別面臨的挑戰　151

8.2　RNA 編輯位點金標集的構建　152

8.2.1　ENCODE 計劃　152

8.2.2　基於 ENCODE 計劃的 RNA 編輯位點金標集設計　154

8.2.3　訓練集和測試集的構建　155

8.3　基於雙向 LSTM 的 RNA 編輯位點識別　157

8.3.1　雙向長短時記憶網絡　157

8.3.2　rnnRed 算法網絡模型的構建、訓練及性能評估　158

8.4　基於 ResNet 的 RNA 編輯位點識別　165

8.4.1　殘差網絡　165

8.4.2　cnnRed 算法網絡模型的構建、訓練及性能評估　166

8.5　總結　171

第　9 章 基於深度學習的增強子識別　172

9.1　增強子識別概述　172

9.2　增強子識別神經網絡　174

9.2.1　模型的設計　174

9.2.2　模型的優化　177

9.3　增強子序列數據集的預處理　178

9.3.1　增強子數據集　178

9.3.2　增強子序列的數值映射　179

9.4　模型的訓練　180

9.4.1　訓練集及實驗平臺　180

9.4.2　參數的選擇　181

9.5　模型的預測評估　182

9.5.1　測試集及實驗平臺　182

9.5.2　性能度量指標　182

9.5.3　模型性能評估　184

9.6　總結　186

參考文獻　187