第一章 生物信息学和系统生物学基础知识 1
1.1 基本概念 1
1.2 中心法则 3
1.3 表观遗传学 4
1.3.1 非编码RNA 5
1.3.2 microRNA 8
1.3.3 组蛋白修饰 9
1.4 系统生物学 10
1.4.1 生物系统与生物网络 10
1.4.2 系统生物学语言SBML 11
1.5 本章小结 14
第二章 网络化建模的基本知识 16
2.1 马尔科夫模型 16
2.1.1 简述 16
2.1.2 举例分析 17
2.2 隐马尔科夫模型 17
2.2.1 简介 17
2.2.2 HMM的改进 18
2.2.3 隐马尔科夫模型算法 19
2.3 贝叶斯网络模型 19
2.3.1 贝叶斯网络的基本概念 20
2.3.2 贝叶斯网络定理 20
2.3.3 贝叶斯网络的拓扑结构 20
2.3.4 简单的贝叶斯网络的例子 21
2.4 Petri网的构建和应用 25
2.4.1 Petri网简介 25
2.4.2 Petri网的数学定义和特点 27
2.4.3 Petri网的应用 28
2.4.4 Petri网的行为特征 31
2.4.5 Petri网的性能分析 33
2.5 布尔网络的构建 34
2.5.1 布尔网络简介 35
2.5.2 布尔网络的状态 36
2.5.3 布尔网络动态行为研究 38
2.6 网络比对的模型和算法 40
2.7 网络聚类的模型和算法 43
2.8 网络可视化软件介绍 44
2.8 Pajek简介 44
2.8.2 Pajek数据对象 45
2.8.3 Pajek实例演示 48
2.8.4 Pajek常用功能介绍 53
2.9 本章小结 57
第三章 大规模网络化数据的处理方法 59
3.1 图问题概论 59
3.2 图问题的研究领域及算法 60
3.2.1 图的基本分析 60
3.2.2 图的匹配 61
3.2.3 图数据中的关键字查询 61
3.2.4 频繁模式挖掘 61
3.2.5 图的聚类 63
3.2.6 图的分类 63
3.2.7 社交网络分析 63
3.3 图分析的发展——大数据时代的到来 65
3.4 单机分析工具 66
3.4.1 Pajek 66
3.4.2 UCINET 67
3.4.3 NetworkX 68
3.4.4 NetMiner 3 69
3.5 大图分析——分布式图计算模型介绍 70
3.5.1 MR-BSP 70
3.5.2 GraphLab 71
3.5.3 GraphBuilder 75
3.6 本章小结 77
第四章 蛋白质相互作用网络的建模与分析 79
4.1 问题描述 80
4.2 相关研究 83
4.2.1 实验方法 83
4.2.2 计算生物学方法 83
4.2.3 蛋白质相互作用的评估 84
4.2.4 可信度的评估和提高 85
4.2.5 蛋白质相互作用网络全局拓扑结构的度量准则 85
4.2.6 蛋白质相互作用网络的局部结构特点 86
4.2.7 具有生物学意义的子网 87
4.2.8 蛋白质相互作用网络研究面临的困难与挑战 88
4.2.9 一些蛋白质相互作用的数据库 89
4.3 确定蛋白质相互作用网络的计算方法 89
4.3.1 基于基因组信息的方法 90
4.3.2 基于进化信息的方法 91
4.3.3 基于蛋白质结构的方法 92
4.3.4 基于氨基酸序列的方法 93
4.3.5 基于自然语言处理的文献挖掘方法 93
4.3.6 基于机器学习方法预测蛋白质相互作用 94
4.4 蛋白质相互作用数据可靠性评价 96
4.4.1 相似性评价指标 97
4.4.2 有效性评价指标 98
4.5 本章小结 99
第五章 基因调控网络的建模与分析 100
5.1 简介 100
5.2 基因调控网络 102
5.3 布尔网络模型 103
5.3.1 普通布尔网络 103
5.3.2 概率布尔网络 106
5.4 数学建模 107
5.4.1 线性组合模型 107
5.4.2 加权矩阵模型 107
5.4.3 微分方程模型 108
5.5 贝叶斯网络模型 108
5.5.1 静态贝叶斯网络模型 108
5.5.2 动态贝叶斯网络模型 109
5.6 基因调控网络各种构建模型的比较 109
5.7 本章小结 110
第六章 表观遗传网络的建模与分析 111
6.1 简介 111
6.2 microRNA与疾病的网络关系构建 111
6.2.1 数据获取与数据库构建 111
6.2.2 网络构建与数据分析 115
6.3 基于布尔网络的microRNA挖掘 117
6.3.1 构建microRNA网络的理论依据 118
6.3.2 microRNA靶基因预测数据分析 120
6.3.3 布尔型microRNA网络的构建与分析 123
6.3.4 布尔型phenome-microRNAome网络的构建 126
6.3.5 基于布尔型网络的疾病microRNA挖掘算法 129
6.4 基于权重网络的microRNA挖掘 133
6.4.1 权重型microRNA网络的构建算法 133
6.4.2 权重型phenome-microRNAome网络的构建 135
6.5 组蛋白修饰与选择性剪切外显子表达间的调控网络 138
6.5.1 简介 138
6.5.2 基于贝叶斯网络的组蛋白调控网络构建 144
6.5.3 组蛋白修饰与外显子表达间调控网络 147
6.5.4 生物验证及分析 153
6.6 非稳态组蛋白修饰调控网络构建方法研究 155
6.6.1 hmDBN模型及结构学习算法 157
6.6.2 数据测试与分析 164
6.6.3 结果验证 167
6.7 本章小结 171
第七章 进化树与进化网络的建模方法 173
7.1 进化树 173
7.1.1 分子数据 175
7.1.2 DNA进化 175
7.1.3 进化模型 177
7.2 常见的进化树构建算法 181
7.2.1 距离法 182
7.2.2 最大简约法 183
7.2.3 最大似然法 183
7.2.4 算法比较 186
7.3 基于邻接法的分支交换操作 186
7.3.1 NNI、SPR、TBR和p-ECR搜索能力分析 187
7.3.2 p-ECRNJ操作 191
7.4 基于PSO的进化树构建算法 195
7.5 结合QP和邻接法的进化树构建算法 197
7.5.1 QP算法 199
7.5.2 邻接法 202
7.5.3 QPNJ算法 203
7.6 基于同伦方法的SEM算法 205
7.6.1 最大似然法和SEM算法 206
7.6.2 基于同伦方法的SEM算法推导 207
7.6.3 收敛性证明 209
7.7 进化网 210
7.7.1 有根系统发生网络构建方法 211
7.7.2 有根系统发生网络空间上测度的定义 212
7.8 本章小结 213
第八章 神经网络启发的计算模型 215
8.1 引言 215
8.2 生物神经网络 216
8.2.1 生物神经元及其模型 216
8.2.2 生物神经元的功能特性 217
8.2.3 神经元之间的信息传递 218
8.3 人工神经网络 220
8.3.1 人工神经网络的发展 221
8.3.2 人工神经网络的应用领域及发展前景 222
8.3.3 人工神经网络的基本特性 224
8.4 人工神经网络的建模基础 225
8.4.1 人工神经元模型 225
8.4.2 人工神经网络拓扑结构类型 227
8.4.3 人工神经网络信息流向类型 228
8.4.4 神经网络的学习 229
8.5 感知器神经网络 230
8.5.1 单层感知器 230
8.5.2 多层感知器 230
8.5.3 基于B-P算法的多层感知器模型 231
8.5.4 多层感知器的主要能力 232
8.6 自组织神经网络 232
8.6.1 自组织映射模型 233
8.6.2 自组织竞争过程 233
8.6.3 ART网络 233
8.6.4 反馈神经网络 235
8.7 本章小结 237
第九章 细胞网络启发的计算模型 238
9.1 引言 238
9.1.1 细胞 238
9.1.2 细胞自动机 239
9.1.3 Conway的生命游戏Game of Life 240
9.1.4 宇宙就是一个极其复杂的细胞自动机 241
9.1.5 现代细胞自动机的应用 244
9.2 膜计算 246
9.2.1 标准P系统 250
9.2.2 细胞型膜系统 250
9.2.3 组织型膜系统 251
9.3 细菌智能算法 252
9.3.1 细菌的觅食行为 252
9.3.2 细菌的趋药性 255
9.3.3 细菌群体的适应性决策原理：启发机器人设计 256
9.4 原始细胞网络 257
9.5 本章小结 257
第十章 生物社会网络启发的计算模型 260
10.1 引言 260
10.2 对鸟群网络的研究 261
10.3 对蚁群的研究 264
10.3.1 蚂蚁的觅食行为 264
10.3.2 孵化分类启发 266
10.3.3 协作运输启发 267
10.3.4 劳动分工启发 268
10.4 对鱼群的研究 268
10.5 对蜂群的研究 270
10.5.1 蜜蜂繁殖 271
10.5.2 蜜蜂采蜜 273
10.6 对青蛙群体的研究 278
10.7 本章小结 278