合成生物学智能化设计与应用

封面

版权信息

版权

内容提要

编委会名单（排名不分先后）

序

前言

资源与支持

资源获取

提交勘误

与我们联系

关于异步社区和异步图书

第1章 合成生物学概述

1.1 发展历程

1.2 定义与本质

1.3 基本原理

1.3.1 层级化结构

1.3.2 工程化设计

1.4 主要技术方法

1.4.1 DNA合成

1.4.2 DNA测序

1.4.3 DNA组装

1.4.4 基因编辑

1.4.5 定向进化

1.5 里程碑成果

1.5.1 合成能力飞速发展

1.5.2 核心技术不断升级

1.5.3 创新应用成果凸显

1.6 小结

1.7 参考文献

第2章 人工智能概述

2.1 人工智能的发展历程

2.2 机器学习技术

2.2.1 集成学习

2.2.2 强化学习

2.2.3 迁移学习

2.2.4 反向传播法

2.2.5 损失函数与优化器

2.2.6 监督学习、半监督学习和无监督学习

2.2.7 机器学习在合成生物学中的应用

2.3 机器学习主要算法

2.3.1 决策树

2.3.2 支持向量机

2.3.3 支持向量回归

2.3.4 贝叶斯网络

2.3.5 K-近邻

2.3.6 随机森林

2.3.7 梯度提升机

2.3.8 XGBoost

2.4 深度学习基础

2.4.1 深度学习框架

2.4.2 神经网络

2.5 神经网络模型

2.5.1 深度置信网络

2.5.2 线性神经网络

2.5.3 多层感知器

2.5.4 卷积神经网络

2.5.5 循环神经网络

2.5.6 残差神经网络

2.5.7 深度生成模型

2.5.8 注意力网络

2.6 小结

2.7 参考文献

第3章 合成生物学中的数学模型

3.1 标准定量机制

3.2 数学模型

3.2.1 米氏方程

3.2.2 希尔方程

3.2.3 种群生长Logistic模型

3.2.4 基因表达的随机模型

3.2.5 基因调控网络模型

3.3 逻辑拓扑结构

3.3.1 简单调控

3.3.2 级联

3.3.3 前馈

3.3.4 反馈

3.3.5 单输入模块

3.3.6 多输入模块

3.4 小结

3.5 参考文献

第4章 调控元件

4.1 调控元件的类型及特点

4.1.1 原核生物转录调控元件

4.1.2 真核生物转录调控元件

4.2 调控元件的人工智能挖掘

4.2.1 启动子的挖掘

4.2.2 转录因子结合位点的挖掘

4.3 调控元件的智能设计

4.4 采用人工智能算法所面临的挑战

4.4.1 “维度灾难”和类不平衡性

4.4.2 数据噪声和异质性

4.4.3 模型可解释性

4.4.4 网络架构的选择

4.4.5 计算资源的消耗

4.5 小结

4.6 参考文献

第5章 蛋白质工程

5.1 基本策略

5.1.1 定向进化

5.1.2 半理性设计