Deep Learning für die Biowissenschaften

Einsatz von Deep Learning in Genomik, Biophysik, Mikroskopie und medizinischer Analyse

Bharath Ramsundar, Peter Eastman, Patrick Walters y Vijay Pande

Cite this publication as

Bharath Ramsundar, Peter Eastman, Patrick Walters, Vijay Pande, Deep Learning für die Biowissenschaften (2020), O'Reilly Verlag, Heidelberg, ISBN: 9783960103530

2557
accesses
20
quotes

Descripción / Abstract

Deep Learning hat bereits in vielen Bereichen bemerkenswerte Ergebnisse erzielt. Jetzt hält es Einzug in die Wissenschaften, insbesondere in die Biowissenschaften. Dieses praxisorientierte Buch bietet Programmierern und Wissenschaftlern einen Überblick darüber, wie Deep Learning in Genomik, Chemie, Biophysik, Mikroskopie, medizinischer Analyse und der Arzneimittelforschung eingesetzt wird.
Das Buch vermittelt Deep-Learning-Grundlagen und führt in die Arbeit mit der Python-Bibliothek DeepChem ein. Sie erfahren, wie Deep Learning z.B. zur Analyse von Mikroskopaufnahmen, für molekulare Daten und bei medizinischen Scans genutzt wird. Abschließend zeigen Bharath Ramsundar und seine Co-Autoren anhand einer Fallstudie Techniken für die Entwicklung neuer Therapeutika, eine der größten interdisziplinären Herausforderungen der Wissenschaft.

- Lernen Sie, wie Machine Learning auf molekulare Daten angewendet werden kann
- Erfahren Sie, warum Deep Learning ein mächtiges Werkzeug für Genetik und Genomik ist
- Setzen Sie Deep Learning ein, um biophysikalische Systeme zu verstehen
- Erhalten Sie eine kurze Einführung in Machine Learning mit DeepChem
- Nutzen Sie Deep Learning zur Auswertung von Mikroskopaufnahmen
- Analysieren Sie medizinische Scans mithilfe von Deep-Learning-Techniken
- Erfahren Sie mehr über Variational Autoencoder (VAE) und Generative Adversarial Networks (GANs)
- Interpretieren Sie, was Ihr Modell tut und wie es funktioniert
"Ein wertvoller Beitrag für die wissenschaftliche Community."
– Prabhat
Teamleader Data and Analytics Services, NERSC, Lawrence Berkeley National Laboratory
"Ein hervorragender High-Level-Überblick, dersowohl Einstiegspunkte in bestimmte Techniken bietet als auch die Erörterung der zugrundeliegenden Wissenschaft."
– C. Titus Brown
Associate Professor, University of California, Davis

Descripción

Bharath Ramsundar ist Mitbegründer und CTO von Computable.
Peter Eastman entwickelt Software für rechnergestützte Chemie und Biologie an der Universität Stanford.
Pat Walters leitet die Computation & Informatics Group bei Relay Therapeutics.
Vijay Pande ist aktiver Teilhaber bei Andreessen Horowitz.

Índice

  • BEGINN
  • Inhalt
  • Vorwort
  • Kapitel 1: Warum Biowissenschaften?
  • Warum Deep Learning?
  • In den modernen Biowissenschaften geht es um Daten
  • Was werden Sie lernen?
  • Kapitel 2: Einführung in Deep Learning
  • Lineare Modelle
  • Mehrlagige Perzeptronen
  • Trainieren der Modelle
  • Validierung
  • Regularisierung
  • Hyperparameteroptimierung
  • Weitere Arten von Modellen
  • Weiterführende Literatur
  • Kapitel 3: Machine Learning mit DeepChem
  • DeepChem-Datensätze
  • Trainieren eines Modells zur Vorhersage der Toxizität von Molekülen
  • Fallstudie: Trainieren eines MNIST-Modells
  • Fazit
  • Kapitel 4: Machine Learning mit Molekülen
  • Was ist ein Molekül?
  • Featurization eines Moleküls
  • Graph Convolutions
  • Trainieren eines Modells zur Vorhersage der Löslichkeit
  • MoleculeNet
  • Fazit
  • Kapitel 5: Biophysikalisches Machine Learning
  • Proteinstrukturen
  • Biophysikalische Eigenschaften
  • Die PDBBind-Fallstudie
  • Fazit
  • Kapitel 6: Deep Learning in der Genomik
  • DNA, RNA und Proteine
  • Und nun zur Wirklichkeit
  • Transkriptionsfaktor-Bindung
  • Zugänglichkeit von Chromatin
  • RNA-Interferenz
  • Fazit
  • Kapitel 7: Machine Learning in der Mikroskopie
  • Eine kurze Einführung in die Mikroskopie
  • Die Beugungsgrenze
  • Vorbereiten biologischer Proben für die Mikroskopie
  • Deep-Learning-Anwendungen
  • Fazit
  • Kapitel 8: Deep Learning in der Medizin
  • Computerunterstützte Diagnostik
  • Probabilistische Diagnosen mit Bayes†™schen Netzen
  • Die elektronische Gesundheitsakte
  • Deep Radiology
  • Lernmodelle als Therapeutika
  • Diabetische Retinopathie
  • Fazit
  • Kapitel 9: Generative Modelle
  • Variational Autoencoder
  • Generative Adversarial Networks
  • Anwendungen generativer Modelle in den Biowissenschaften
  • Mit generativen Modellen arbeiten
  • Fazit
  • Kapitel 10: Interpretieren von Deep-Learning-Modellen
  • Vorhersagen erklären
  • Eingaben optimieren
  • Unsicherheit vorhersagen
  • Interpretierbarkeit, Erklärbarkeit und reale Konsequenzen
  • Fazit
  • Kapitel 11: Beispiel eines virtuellen Screening-Workflows
  • Vorbereiten des Datensatzes
  • Trainieren eines Vorhersagemodells
  • Vorbereiten eines Datensatzes für die Vorhersage
  • Ein Vorhersagemodell anwenden
  • Fazit
  • Kapitel 12: Chancen und Perspektiven
  • Medizinische Diagnosen
  • Personalisierte Medizin
  • Arzneimittelentwicklung
  • Biologische Forschung
  • Fazit
  • Index

Títulos relacionados

    Otros títulos del mismo autor