舉報

會員
合成生物學智能化設計與應用
最新章節:
12.5 參考文獻
本書以人工智能技術在合成生物學領域的理論、方法及應用為主線,詳細闡述人工智能在合成生物學不同層面設計中的應用進展,深入討論人工智能在合成生物學實際應用中面臨的挑戰與困難。本書先概述合成生物學與人工智能基本概念以及發展簡史,然后介紹人工智能技術在生物元件、生物模塊、生物系統設計方面的應用,并通過案例展示了人工智能與合成生物學技術在生物醫藥領域的研究進展,最后分析了人工智能驅動合成生物技術的發展趨勢,并討論了實際應用所面臨的挑戰和困難,以及展望該交叉領域的未來研究方向。本書適合作為生物類、計算機類、化工類、環境類、醫藥專業的本科生及研究生的教學用書,也適合生物、信息、醫藥、化工、能源、資源和環境等領域的科研人員、程序開發人員參考。
目錄(231章)
倒序
- 封面
- 版權信息
- 版權
- 內容提要
- 編委會名單(排名不分先后)
- 序
- 前言
- 資源與支持
- 資源獲取
- 提交勘誤
- 與我們聯系
- 關于異步社區和異步圖書
- 第1章 合成生物學概述
- 1.1 發展歷程
- 1.2 定義與本質
- 1.3 基本原理
- 1.3.1 層級化結構
- 1.3.2 工程化設計
- 1.4 主要技術方法
- 1.4.1 DNA合成
- 1.4.2 DNA測序
- 1.4.3 DNA組裝
- 1.4.4 基因編輯
- 1.4.5 定向進化
- 1.5 里程碑成果
- 1.5.1 合成能力飛速發展
- 1.5.2 核心技術不斷升級
- 1.5.3 創新應用成果凸顯
- 1.6 小結
- 1.7 參考文獻
- 第2章 人工智能概述
- 2.1 人工智能的發展歷程
- 2.2 機器學習技術
- 2.2.1 集成學習
- 2.2.2 強化學習
- 2.2.3 遷移學習
- 2.2.4 反向傳播法
- 2.2.5 損失函數與優化器
- 2.2.6 監督學習、半監督學習和無監督學習
- 2.2.7 機器學習在合成生物學中的應用
- 2.3 機器學習主要算法
- 2.3.1 決策樹
- 2.3.2 支持向量機
- 2.3.3 支持向量回歸
- 2.3.4 貝葉斯網絡
- 2.3.5 K-近鄰
- 2.3.6 隨機森林
- 2.3.7 梯度提升機
- 2.3.8 XGBoost
- 2.4 深度學習基礎
- 2.4.1 深度學習框架
- 2.4.2 神經網絡
- 2.5 神經網絡模型
- 2.5.1 深度置信網絡
- 2.5.2 線性神經網絡
- 2.5.3 多層感知器
- 2.5.4 卷積神經網絡
- 2.5.5 循環神經網絡
- 2.5.6 殘差神經網絡
- 2.5.7 深度生成模型
- 2.5.8 注意力網絡
- 2.6 小結
- 2.7 參考文獻
- 第3章 合成生物學中的數學模型
- 3.1 標準定量機制
- 3.2 數學模型
- 3.2.1 米氏方程
- 3.2.2 希爾方程
- 3.2.3 種群生長Logistic模型
- 3.2.4 基因表達的隨機模型
- 3.2.5 基因調控網絡模型
- 3.3 邏輯拓撲結構
- 3.3.1 簡單調控
- 3.3.2 級聯
- 3.3.3 前饋
- 3.3.4 反饋
- 3.3.5 單輸入模塊
- 3.3.6 多輸入模塊
- 3.4 小結
- 3.5 參考文獻
- 第4章 調控元件
- 4.1 調控元件的類型及特點
- 4.1.1 原核生物轉錄調控元件
- 4.1.2 真核生物轉錄調控元件
- 4.2 調控元件的人工智能挖掘
- 4.2.1 啟動子的挖掘
- 4.2.2 轉錄因子結合位點的挖掘
- 4.3 調控元件的智能設計
- 4.4 采用人工智能算法所面臨的挑戰
- 4.4.1 “維度災難”和類不平衡性
- 4.4.2 數據噪聲和異質性
- 4.4.3 模型可解釋性
- 4.4.4 網絡架構的選擇
- 4.4.5 計算資源的消耗
- 4.5 小結
- 4.6 參考文獻
- 第5章 蛋白質工程
- 5.1 基本策略
- 5.1.1 定向進化
- 5.1.2 半理性設計
- 5.1.3 從頭設計蛋白質
- 5.2 人工智能輔助蛋白質工程策略
- 5.2.1 蛋白質數據集的構建
- 5.2.2 蛋白質的向量表示法
- 5.2.3 模型的選擇與構建
- 5.2.4 模型的訓練與評估
- 5.2.5 模型的可解釋性
- 5.3 人工智能在蛋白質工程中的應用實例
- 5.3.1 人工智能顛覆蛋白質結構預測
- 5.3.2 人工智能指導定向進化策略
- 5.3.3 人工智能驅動蛋白質從頭設計
- 5.4 人工智能輔助蛋白質工程應用
- 5.4.1 生物醫藥與抗體研發
- 5.4.2 生物制造與酶工程
- 5.5 小結
- 5.6 參考文獻
- 第6章 基因線路
- 6.1 基因線路設計
- 6.1.1 質粒的設計與構建
- 6.1.2 底盤細胞的選擇
- 6.1.3 實驗設計工具
- 6.2 基因線路的性能優化與建模策略
- 6.2.1 基因線路的性能優化
- 6.2.2 基因線路設計的建模策略
- 6.3 控制系統理論與設計
- 6.3.1 細胞內控制
- 6.3.2 細胞間控制
- 6.3.3 網絡細胞控制
- 6.4 利用人工智能設計基因線路
- 6.5 基因線路的應用
- 6.5.1 在生物傳感器中的應用
- 6.5.2 在生物醫學領域的應用
- 6.5.3 在DNA計算中的應用
- 6.6 小結
- 6.7 參考文獻
- 第7章 生物傳感器
- 7.1 全細胞生物傳感器
- 7.2 基于雙組分系統的生物傳感器
- 7.2.1 雙組分系統簡介
- 7.2.2 雙組分系統的效率調控
- 7.2.3 雙組分系統的特異性
- 7.2.4 雙組分系統在生物傳感器中的應用
- 7.3 合成生物學使能的生物傳感器
- 7.4 人工智能驅動的生物傳感器
- 7.5 智能生物傳感器的實例及應用
- 7.5.1 智能生物傳感器的應用實例
- 7.5.2 智能生物傳感器的應用領域
- 7.6 小結
- 7.7 參考文獻
- 第8章 工程化載體
- 8.1 工程化載體概述
- 8.1.1 腺病毒工程化載體
- 8.1.2 腺相關病毒工程化載體
- 8.1.3 逆轉錄病毒工程化載體
- 8.1.4 慢病毒工程化載體
- 8.2 傳統設計策略
- 8.2.1 嵌合病毒工程化載體策略
- 8.2.2 鑲嵌病毒工程化載體策略
- 8.2.3 假病毒工程化載體策略
- 8.2.4 利用DNA改組技術形成嵌合體
- 8.3 基于合成生物學的工程化載體設計策略
- 8.3.1 基于合成生物學的工程化載體設計特點
- 8.3.2 基于合成生物學的工程化載體設計策略
- 8.3.3 利用人工智能技術優化改造工程化載體
- 8.4 小結
- 8.5 參考文獻
- 第9章 微生物基因組
- 9.1 合成基因組
- 9.1.1 病毒基因組的合成
- 9.1.2 細菌基因組的合成
- 9.1.3 真核細胞基因組的合成
- 9.2 最小基因組的設計
- 9.2.1 最小基因組概述
- 9.2.2 最小基因組的構建原理
- 9.2.3 最小基因組構建示例
- 9.2.4 最小基因組構建的阻礙和挑戰
- 9.3 人工智能在基因組智能化設計中的應用
- 9.3.1 人工智能輔助染色體完全合成
- 9.3.2 人工智能輔助必需基因發掘
- 9.4 小結
- 9.5 參考文獻
- 第10章 代謝工程
- 10.1 代謝工程概述
- 10.2 代謝工程中常見的模式菌株
- 10.2.1 大腸桿菌
- 10.2.2 枯草芽孢桿菌
- 10.2.3 谷氨酸棒狀桿菌
- 10.2.4 釀酒酵母
- 10.2.5 其他菌株
- 10.3 代謝途徑的改造策略
- 10.3.1 調控元件的改造
- 10.3.2 生物合成途徑的重構
- 10.4 代謝工程改造示例
- 10.4.1 光滑念珠菌的代謝工程
- 10.4.2 放線菌屬的代謝工程
- 10.4.3 曲霉屬的代謝工程
- 10.5 人工智能在代謝工程中的應用
- 10.5.1 人工智能在代謝途徑中的設計原理
- 10.5.2 人工智能輔助代謝途徑優化
- 10.5.3 人工智能輔助細菌代謝系統的進化預測
- 10.6 小結
- 10.7 參考文獻
- 第11章 人工智能在DNA計算及存儲中的應用
- 11.1 DNA計算
- 11.1.1 DNA計算原理
- 11.1.2 DNA計算模塊
- 11.1.3 DNA計算數字邏輯
- 11.1.4 DNA計算模擬電路
- 11.2 神經擬態計算
- 11.2.1 神經擬態計算概述
- 11.2.2 基于DNA分子的神經擬態計算
- 11.2.3 利用基因線路構建神經擬態計算
- 11.3 DNA存儲
- 11.3.1 DNA存儲簡介
- 11.3.2 DNA存儲基本流程
- 11.3.3 DNA存儲模式
- 11.4 人工智能在DNA存儲中的應用
- 11.5 小結
- 11.6 參考文獻
- 第12章 合成生物學與人工智能賦能的生物經濟
- 12.1 生物經濟概述
- 12.1.1 生物經濟的定義
- 12.1.2 生物經濟的發展趨勢
- 12.1.3 國外生物經濟的發展戰略
- 12.1.4 國內生物經濟的發展戰略
- 12.2 合成生物學是生物經濟發展的關鍵驅動因素
- 12.3 人工智能賦能新一代生物經濟
- 12.3.1 人工智能推動生物產業的智能化與自動化
- 12.3.2 人工智能助力合成生物學產業——以生物制藥業為例
- 12.4 小結
- 12.5 參考文獻 更新時間:2024-12-16 16:49:33
推薦閱讀
- 機器學習:Python實踐
- 人工智能時代生存指南
- AI商業進化論:“人工智能+”賦能新質生產力發展
- 統計學習必學的十個問題:理論與實踐
- 虛擬現實與增強現實技術
- 深度強化學習實踐(原書第2版)
- 大模型項目實戰:Agent開發與應用
- ChatGPT時代:ChatGPT全能應用一本通
- 豆包:人人都能上手的AI工具
- AI賦能HR:AI 10倍提升HR工作效率的方法與實踐
- 樂高創意機器人教程(初級 上冊 6-12歲)
- 人工智能極簡編程入門:基于Python
- 機器學習實踐指南:案例應用解析
- AI助理:用ChatGPT輕松搞定工作
- 奇點臨近
- 基于深度學習的目標檢測原理與應用
- 金融智能:AI如何為銀行、保險、證券業賦能
- Cadence高速電路板設計與仿真(第3版)
- Unity 3D人工智能編程
- 深度學習之PyTorch物體檢測實戰
- 人工智能簡史
- 云計算管理配置與實戰
- 地平線2025:人工智能來了
- AIGC革命:Web 3.0時代的新一輪科技浪潮
- MATLAB在電子信息工程中的應用
- AI醫學圖像處理(基于Python語言的Dragonfly)
- 從ChatGPT到AIGC:人工智能重塑千行百業
- 我的科研助理: ChatGPT全方位實用指南
- 機器學習觀止:核心原理與實踐
- PyTorch 2.0深度學習從零開始學