人工智能在腫瘤計(jì)算上的應(yīng)用

目錄
第一篇 人工智能在計(jì)算生物學(xué)上的實(shí)踐
第1章 計(jì)算生物學(xué)方法模擬生物熱傳導(dǎo)過程 3
1.1 微分方程模擬激光治療皮膚癌 3
1.2 模擬激光治療的數(shù)學(xué)模型 4
1.3 模擬激光治療的數(shù)值方法 6
1.4 模擬激光治療的計(jì)算實(shí)驗(yàn) 8
1.5 模擬激光治療的結(jié)論 15
1.6 模擬激光治療的進(jìn)一步研究 15
參考文獻(xiàn) 17
第2章 基于數(shù)據(jù)挖掘的計(jì)算生物學(xué)研究 19
2.1 尋找腦膠質(zhì)癌致病基因和相關(guān)信號(hào)通路 19
2.1.1 探索腦膠質(zhì)癌致病基因和相關(guān)信號(hào)通路的方法 21
2.1.2 探索腦膠質(zhì)癌致病基因和相關(guān)信號(hào)通路的結(jié)果 25
2.1.3 模型的預(yù)測(cè)性能比較 26
2.1.4 模型的擬合性能比較 28
2.1.5 多種策略分別探索與腦膠質(zhì)癌存活時(shí)間相關(guān)的信號(hào)通路 29
2.1.6 探索腦膠質(zhì)癌致病基因和相關(guān)信號(hào)通路的討論 30
2.1.7 探索腦膠質(zhì)癌致病基因和相關(guān)信號(hào)通路的結(jié)論 31
2.2 建立一個(gè)穩(wěn)健預(yù)測(cè)結(jié)直腸癌患病風(fēng)險(xiǎn)的數(shù)學(xué)模型 31
2.2.1 結(jié)直腸癌患病風(fēng)險(xiǎn)的數(shù)學(xué)模型簡(jiǎn)介 31
2.2.2 結(jié)直腸癌患病風(fēng)險(xiǎn)的數(shù)學(xué)模型所需的材料和方法 32
2.2.3 結(jié)直腸癌患病風(fēng)險(xiǎn)的數(shù)學(xué)模型的研究結(jié)果 39
參考文獻(xiàn) 47
第3章 結(jié)合數(shù)據(jù)挖掘和模擬仿真的多尺度混合模型 56
3.1 骨重建模擬仿真多尺度混合模型 56
3.2 骨重建模擬仿真多尺度混合模型的方法 57
3.2.1 分子尺度：信號(hào)通路 58
3.2.2 細(xì)胞尺度：細(xì)胞活動(dòng) 59
3.2.3 支架尺度：支架降解和生長(zhǎng)因子釋放 62
3.2.4 骨組織尺度：血管生成和氧運(yùn)輸 63
3.2.5 建立Abaqus的計(jì)算模型 63
3.2.6 模型培養(yǎng)和測(cè)試 64
3.3 骨重建模擬仿真多尺度混合模型的結(jié)果 65
3.3.1 三維血管化骨再生模擬 65
3.3.2 模型的訓(xùn)練和測(cè)試 67
3.3.3 模型中的參數(shù)敏感性分析 69
3.3.4 生長(zhǎng)因子對(duì)骨形成的重要影響 70
3.4 骨重建模擬仿真多尺度混合模型的討論 71
參考文獻(xiàn) 72
第二篇 人工智能在計(jì)算生物學(xué)計(jì)算加速上的應(yīng)用
第4章 使用GPU并行擴(kuò)散方程的數(shù)值算法 77
4.1 生物醫(yī)學(xué)工程研究中的擴(kuò)散方程 77
4.2 擴(kuò)散方程的數(shù)學(xué)模型 78
4.2.1 ADI方案 78
4.2.2 Thomas算法 79
4.2.3 域分解 80
4.3 域分解ADI的GPU實(shí)現(xiàn) 81
4.3.1 并行計(jì)算算法的性能和準(zhǔn)確性分析 81
4.3.2 并行計(jì)算算法加速擴(kuò)散求解器 84
4.4 擴(kuò)散方程的研究結(jié)果 91
4.4.1 比較PGM和串行計(jì)算時(shí)間 91
4.4.2 比較PSGMC和PGM的計(jì)算時(shí)間 92
4.4.3 比較PSGMG和PSGMC的計(jì)算時(shí)間 93
4.4.4 比較PGM、PSGMC、PSGMG和串行計(jì)算中的*佳計(jì)算時(shí)間 95
4.4.5 檢驗(yàn)并行和串行計(jì)算之間的準(zhǔn)確性 95
4.4.6 考察其他基于GPU的計(jì)算方案的計(jì)算時(shí)間 95
4.5 討論與總結(jié) 96
參考文獻(xiàn) 98
第5章 對(duì)譜系相關(guān)代表數(shù)目不足序列的分布式并行加速 102
5.1 譜系相關(guān)代表數(shù)目不足序列定義 102
5.2 物種LAUPs計(jì)算方法研究 102
5.2.1 k-mer計(jì)算算法簡(jiǎn)介 103
5.2.2 Jellyfish算法架構(gòu) 105
5.2.3 Jellyfish算法優(yōu)化 108
5.2.4 譜系相關(guān)的代表數(shù)目不足序列計(jì)算算法 110
5.2.5 譜系相關(guān)多物種共同LAUPs計(jì)算 111
5.3 JBLC算法性能評(píng)估與分析 112
5.3.1 時(shí)間空間復(fù)雜度分析 112
5.3.2 實(shí)驗(yàn)對(duì)比分析 113
5.4 基于Hadoop的LAUPs算法并行加速研究 114
5.4.1 問題分析與解決方法 114
5.4.2 Hadoop Streaming框架 116
5.4.3 基于Hadoop的LAUPs分布式計(jì)算模型MR-JBLC 117
5.5 MR-JBLC性能評(píng)估與結(jié)果分析 119
5.5.1 Hadoop大數(shù)據(jù)平臺(tái)搭建 119
5.5.2 并行性能評(píng)估與實(shí)驗(yàn)分析 119
參考文獻(xiàn) 123
第三篇 人工智能在計(jì)算生物學(xué)數(shù)據(jù)庫服務(wù)上的應(yīng)用
第6章 構(gòu)建集成D-NetWeaver軟件的語義數(shù)據(jù)庫 127
6.1 D-NetWeaver軟件介紹 127
6.2 語義數(shù)據(jù)庫構(gòu)建 128
6.2.1 URI的編碼和ontology 129
6.2.2 數(shù)據(jù)庫開發(fā)工具 130
6.2.3 Bio-GRAPH生成 130
6.2.4 原始文件系統(tǒng)的語義擴(kuò)展 130
6.2.5 生物數(shù)據(jù)庫的SPARQL查詢功能 131
6.2.6 生物圖形可視化 131
6.3 討論與結(jié)論 132
參考文獻(xiàn) 132
第7章 LAUPs序列大數(shù)據(jù)分析平臺(tái)：WSLAUP 134
7.1 LAUPs相關(guān)背景 134
7.2 總體架構(gòu)設(shè)計(jì) 135
7.3 平臺(tái)關(guān)鍵技術(shù) 136
7.4 平臺(tái)結(jié)果與討論 137
參考文獻(xiàn) 143
附錄 Hadoop大數(shù)據(jù)分析平臺(tái)環(huán)境搭建步驟 145
補(bǔ)充文獻(xiàn) 150