DNA和蛋白质序列数据分析工具（第三版） pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

图书标签:

• 生物信息学
• 基因组学
• 蛋白质组学
• 序列分析
• 生物统计学
• 数据挖掘
• Python
• R语言
• NGS
• 生物计算

店铺： 蚂蚁兵团图书专营店

出版社： 科学出版社

ISBN：9787030345097

商品编码：26503244237

丛书名： DNA和蛋白质序列数据分析工具(第3版)生物

开本：16开

出版时间：2012-06-01

商品参数

书名：DNA和蛋白质序列数据分析工具（第三版）

作者：薛庆中 等 著

ISBN ：9787030345097

出版社：科学出版社

出版时间：2012-06-01

印刷时间：2012-06-01

字数：452000

页数:356页

开本：16开

包装：平装

重量：581g

定价：128元

内容简介

近年来新一代测序技术的研发和应用，极大地推动了基因组科学的发展，也给基因组数据分析带来巨大的新挑战。《生物信息学数据分析丛书：DNA和蛋白质序列数据分析工具（第三版）》书17章，分别从基因组学、蛋白质组学、系统生物学三个层次详细介绍了常用的基因数据库和网络工具；为适应Windows7的环境，将BioPerl程序包的数据分析做了重排使其更易操作。尤其是增添了新一代测序数据分析实例，包括SNVs和Indel识别、小RNA-seq分析、枯草杆菌全基因组序列拼接：并对Bowtie等读序列定位工具和UCSC浏览器的使用做介绍。

《生物信息学数据分析丛书：DNA和蛋白质序列数据分析工具（第三版）》内容深入浅出、图文并茂。书中提及的各种方法均有充实的例证并附上相关数据和图表，供读者理解和参考；书后还附有中英文的专业术语和词汇。可作为对基因组学、蛋白质组学、生物信息学感兴趣的本科生、研究生和研究人员学习、研究的重要工具手册。

目录

第三版前言 

第二版前言 

**版前言 

第1章序列比对工具BLAST和ClustalX 

1.1BLAST搜索程序 

1.2本地运行BLAST（Windows系统） 

1.3多序列比对（ClustalX） 

参考文献 

第2章真核生物基因结构的预测 

2.1基因可读框的识别 

2.2CpG岛、转录终止信号和启动子区域的预测 

2.3基因密码子偏好性计算：CodonW的使用 

2.4采用mRNA序列预测基因：Spidey的使用 

2.5ASTD数据库简介 

参考文献 

第3章电子克隆 

3.1种子序列的搜索 

3.2序列拼接 

3.3在水稻数据库中的电子延伸 

3.4电子克隆有关事项的讨论 

参考文献 

第4章分子进化遗传分析工具（MEGA 5） 

4.1序列数据的获取和比对 

4.2进化距离的估计 

4.3分子钟假说的检验 

4.4系统进化树构建 

参考文献 

第5章蛋白质结构与功能预测 

5.1蛋白质信息数据库 

5.2蛋白质一级结构分析 

5.3蛋白质二级结构预测 

5.4蛋白质家族和结构域 

5.5蛋白质三级结构预测 

5.6蛋白质结构可视化工具 

参考文献 

第6章序列模体的识别和解析 

6.1MEME程序包 

6.2通过MEME识别DNA或蛋白质序列中模体 

6.3通过MAST搜索序列中的已知模体 

6.4通过GLAM2识别有空位的模体 

6.5通过GLAM2SCAN搜索序列中的已知模体 

6.6应用TOMTOM与数据库中的已知模体进行比对 

6.7应用GOMO鉴定模体的功能 

6.8应用MCAST搜索基因表达调控模块 

6.9应用MEME—ChIP发现DNA序列模体 

6.10应用SPAMO推测转录因子的结合位点 

6.11应用DREME发现短的正则表达模体 

6.12应用FIMO寻找数据库已知的模体 

6.13应用CentiMo寻找主要的富集模体 

参考文献 

第7章蛋白质谱数据分析 

7.1生物质谱技术的基本原理 

7.2X！Tandem软件 

7.3Mascot软件 

7.4Sequest软件 

7.5蛋白质组学数据统计分析TPP软件 

参考文献 

第8章基因芯片数据处理和分析 

8.1芯片数据的获取和处理 

8.2芯片数据聚类分析和差异表达基因筛选 

8.3GenMAPP芯片数据的可视化 

8.4通过GEO检索和提交芯片数据 

8.5应用DAVID工具对芯片数据功能注释和分类 

参考文献 

第9章GO基因本体和KEGG代谢途径分析 

9.1Gene Ontology数据库 

9.2KEGG数据库 

参考文献 

第10章系统生物学网络结构分析 

10.1Cytoscape软件简介 

10.2Cytoscape软件安装 

10.3Cytoscape基本操作 

10.4应用BiNGO插件进行基因注释 

10.5应用BioQuali插件进行基因表达分析 

10.6应用Agilent Literature Search插件进行文献搜索 

10.7链接BOND数据库做网络分析 

10.8应用插件Cytoprophet预测潜在蛋白和结构域的相互作用 

参考文献 

第11章Bioperl模块数据分析及其安装 

11.1概述 

11.2Bioperl重要模块简介和脚本实例 

11.3Bioperl安装 

参考文献 

第12章读序列（ reads）定位软件Bowtie 

12.1Bowtie特性 

12.2Burrows—Wheeler （BW）转换程序 

12.3不要求精确的比对搜索 

12.4回溯过量表达 

12.5阶段搜索 

12.6Bowtie的输出格式 

参考文献 

第13章UCSC基因组浏览器 

13.1基因分类器（Gene sorter）工具 

13.2基因组浏览器（Genome Browser） 

13.3蛋白质组浏览器（Proteome Browser） 

13.4表浏览器（Table Browser） 

参考文献 

第14章SNVs和Indel识别分析方法及工具 

14.1Bowtie工具 

14.2samtools软件包 

14.3识别单核营酸多态性（SNP） 

14.4寻找同义突变和非同义突变 

14.5发现读框内插入缺失（in—frame indel） 

14.6发现其他类型的突变 

参考文献 

第15章小RNA高通量测序数据分析 

15.1数据分析流程 

15.2Rfam数据库 

15.3miRBase数据库 

15.4应用mfold预测RNA二级结构 

15.5应用miRAlign搜索miRNA 

15.6应用TargetScan预测miRNA的靶基因 

参考文献 

第16章RNA测序（RNA—Seq）分析 

16.1TopHat的分析流程 

16.2转录组读序列比对 

16.3获得基凶表达谱及转录物表达谱 

16.4差异表达基因鉴定及注释 

16.5SNPs／SNVs及InDels鉴定与注释 

16.6选择性剪切（alternative splicing）鉴定 

16.7TopHat应用实例 

参考文献 

第17章全基因组序列拼接的流程和方法 

17.1实例数据的获取 

17.2短读序列数据作图到参考基因组 

17.3将短读序列数据从头拼接成染色体骨架 

17.4大规模染色体骨架拼接 

17.5草图和实验物理图谱间的比较 

参考文献 

《高级机器学习与深度学习前沿技术实践指南》 内容概要： 本书深入探讨了当前机器学习（ML）和深度学习（DL）领域的前沿技术、核心算法及其在复杂实际问题中的应用。全书结构严谨，内容覆盖了从理论基础到最新模型架构的全面解析，旨在为读者提供一套系统化、可操作性的实践知识体系。 第一部分：机器学习理论基础与模型构建 本部分首先回顾了经典机器学习的基石，包括线性模型、支持向量机（SVM）和决策树（Decision Trees）。我们详细阐述了偏差-方差权衡、正则化技术（如L1和L2）在模型泛化能力控制中的作用。重点在于介绍如何有效地进行特征工程，这是提升传统ML模型性能的关键步骤。 随后，我们转向集成学习方法。详细剖析了Bagging、Boosting（特别是AdaBoost、Gradient Boosting Machines，以及在工业界广泛应用的XGBoost和LightGBM）。通过丰富的代码示例和案例分析，读者将学会如何构建高性能的集成模型，理解它们在处理非线性数据时的优势，并掌握超参数调优的系统方法。 第二部分：深度学习核心架构与原理 本部分是本书的核心，聚焦于深度学习网络的构建与优化。 1. 基础网络与优化器： 我们从人工神经网络（ANN）的基本结构开始，深入讲解激活函数（如ReLU、Leaky ReLU、Swish）的选择机制及其对梯度流的影响。随后，详细阐述了现代优化算法，包括动量法、RMSprop、Adam及其变体，并从数学和直觉上解释了它们如何加速和稳定训练过程。 2. 卷积神经网络（CNN）的精深解析： 这一章不仅涵盖了经典的LeNet、AlexNet、VGG、GoogLeNet到ResNet、DenseNet等架构的演变历史和设计哲学，更侧重于讲解卷积核的设计原理、空洞卷积（Dilated Convolution）在多尺度特征提取中的应用，以及分组卷积（Grouped Convolution）在模型轻量化中的作用。我们将通过实例展示如何利用迁移学习（Transfer Learning）和微调（Fine-tuning）技术解决小样本图像分类问题。 3. 循环神经网络（RNN）及其变体： 本章深入探讨了序列数据处理的挑战，包括梯度消失和爆炸问题。对经典RNN、长短期记忆网络（LSTM）和门控循环单元（GRU）的内部机制进行了详尽的数学推导和结构剖析。此外，我们还介绍了如何使用双向RNN和堆叠RNN来捕获更丰富的上下文信息。 第三部分：前沿模型与高级应用 本部分关注当前影响最大的两个深度学习领域：Transformer模型和生成模型。 1. Transformer架构与自注意力机制： 我们将Transformer视为现代NLP和部分视觉任务的基石。核心内容包括对自注意力（Self-Attention）机制的彻底解析，特别是Scaled Dot-Product Attention的计算过程，以及多头注意力（Multi-Head Attention）如何实现信息的多角度聚合。书中详述了编码器-解码器结构（如原始Transformer）和仅编码器结构（如BERT系列）的设计差异，并探讨了位置编码（Positional Encoding）的必要性与实现方式。 2. 预训练模型与迁移学习： 重点分析了BERT、GPT系列等大型语言模型（LLMs）的预训练范式（如Masked Language Modeling, Next Sentence Prediction）。读者将学习如何根据下游任务的特性，选择合适的微调策略，包括全量微调、参数高效微调（PEFT）方法，如LoRA（Low-Rank Adaptation）。 3. 生成模型： 本部分涵盖了当前在图像和数据合成领域占主导地位的模型。详细介绍变分自编码器（VAE）的潜在空间结构和重参数化技巧；深入探讨了生成对抗网络（GAN）的博弈论基础，包括DCGAN、WGAN及其改进，以及它们在克服模式崩溃方面的努力。最后，本书对新兴的扩散模型（Diffusion Models）进行了全面介绍，阐述了它们在高质量图像生成中的优势和去噪过程的数学基础。 第四部分：模型的可解释性、鲁棒性与部署 现代AI系统不仅要求高性能，更要求透明度和可靠性。 1. 模型可解释性（XAI）： 我们介绍了多种后验可解释性工具。包括敏感度分析、特征重要性度量，以及针对深度学习模型的局部解释方法，如LIME（Local Interpretable Model-agnostic Explanations）和SHAP（SHapley Additive exPlanations）值，帮助用户理解模型决策背后的逻辑。 2. 模型鲁棒性与对抗性攻击： 阐述了深度学习模型对微小扰动的脆弱性。详细分析了FGSM（Fast Gradient Sign Method）、PGD（Projected Gradient Descent）等主流对抗样本生成技术，并介绍了防御策略，如对抗性训练（Adversarial Training）和梯度掩蔽技术，以增强模型的安全性。 3. 工业级部署与优化： 实践章节涵盖了模型从训练到生产环境的转化过程。内容包括模型量化（Quantization）、模型剪枝（Pruning）以减少内存占用和计算延迟，以及使用TensorRT、ONNX Runtime等框架进行推理加速的实战技巧。我们还讨论了MLOps的基本流程，确保模型在持续集成和迭代中的健康运行。 目标读者： 本书适合具有一定编程基础（Python为主）和高等数学知识的工程师、数据科学家、研究人员，以及希望从理论深入到前沿实践的计算机科学专业高年级本科生和研究生。通过阅读本书，读者将能够独立设计、训练和部署复杂的前沿机器学习与深度学习解决方案。

评分☆☆☆☆☆

从内容覆盖面的角度来看，这本书似乎更偏向于DNA和蛋白质序列分析中的“经典”部分。它对序列比对、组装、注释等基础环节的覆盖是全面的，这一点毋庸置疑。但是，对于近年来生物信息学领域爆炸式增长的“新兴热点”的讨论深度明显不足。比如，关于长读长测序（PacBio/ONT）数据处理的特殊挑战、转录组数据中的融合基因发现，或是宏基因组学中物种多样性评估的新兴统计模型，这些章节的篇幅和深度，与它们在当前科研中的重要性相比，显得有些失衡。这本书给我的印象是，它在一个非常扎实的地基上搭建了结构，但顶层的“现代化装修”略显不足。它是一部合格的“基石之作”，但对于追求前沿技术的读者而言，可能还需要搭配其他更具时效性的资料。

评分☆☆☆☆☆

我对这本书在工具介绍部分的期望值很高，毕竟书名就带有“工具”二字。我原本希望看到的是对当前主流分析软件如BWA、SAMtools、GATK等在新版本中的具体操作流程和脚本编写技巧的深入剖析，最好能提供一些针对特定疑难杂症的“疑难解答”环节。然而，我发现它更多的是对这些工具底层原理的概述，而非实战层面的手把手教学。比如，在谈到比对算法时，它详细解释了动态规划的思路，但对于如何高效地管理TB级别数据时的内存和CPU优化策略，或者针对特定物种基因组的参数微调经验分享，着墨不多。这使得这本书更像是一本“理论工具箱”的说明书，而非一个“实战操作员”的秘籍。对于那些已经熟悉基本操作的资深研究人员来说，可能需要查阅其他更侧重于效率和大规模计算的书籍。

评分☆☆☆☆☆

这本书的封面设计实在是……怎么说呢，挺有年代感的。那种略显老派的字体和略微暗淡的色调，让我想起了我大学时代那些厚重的教科书。当我拿到这本书的时候，我的第一反应是，这玩意儿是不是印刷错了，怎么看起来像是从图书馆的角落里挖出来的？当然，这只是外在的印象，内容才是王道。我翻开目录，里面的章节标题一个个跳了出来，比如“生物信息学基础回顾”、“高通量测序数据处理的挑战”等等，这些标题本身并没有给我带来太多的惊喜，因为它们是这个领域内相当标准化的内容。我期待的是能看到一些针对最新技术的、更尖锐的探讨，比如单细胞测序数据分析的细微差别，或者深度学习在蛋白质结构预测中的最新进展。但这本书给我的感觉，更像是对前几年主流方法的一种扎实、但略显平铺直叙的总结。它可能非常适合那些刚踏入生物信息学领域的学生，作为一本建立基础知识的参考书。

评分☆☆☆☆☆

这本书的排版设计，坦白说，让我感到有些吃力。字体大小、行距以及图表的插入位置，都给人一种“信息密度过大”的感觉。大量的公式和复杂的流程图被挤在有限的空间里，使得在快速浏览或查找特定信息时，需要花费更多的时间去定位。特别是那些需要对照文本和图表理解的复杂流程，眼睛需要不断地在页面的不同区域间跳跃，这极大地影响了阅读的流畅性。在如今这个时代，优秀的技术书籍往往会注重用户体验，通过合理的留白和清晰的层次结构来减轻读者的认知负担。这本书在这方面显得有些保守，它更像是在努力地将所有知识点塞进有限的篇幅里，而没有充分考虑读者“消化”信息的过程。

评分☆☆☆☆☆

这本书的文字风格给我的感觉非常“严谨”，甚至可以说是有些刻板。作者的叙述方式非常注重逻辑的连贯性和定义的准确性，每一个概念都像是在接受一场严格的法庭质询，必须无懈可击。这种风格的好处是，你几乎不会在概念理解上产生歧义，信息传递的效率很高。但是，阅读起来就显得有些枯燥乏味了。我常常需要努力集中精神，才能不让思绪飘到别处去。我更倾向于那种带有某种“洞察力”或“作者个人见解”的文本，能够引导我思考“为什么”和“未来会怎样”，而不是仅仅停留在“是什么”和“怎么做”的层面。这本书更像是工具手册，而不是一本能激发灵感的学术随笔。如果作者能在讲解复杂算法时，穿插一些实际案例的应用困境和权衡取舍的思考，可能读起来会更引人入胜一些。