第1章 概述

1.1数字化符号序列中的生物学数据

1.2基因组——多样性、规模和结构

1.3蛋白质和蛋白质组

1.4生物序列的信息量

1.5生物分子功能和结构预测

第2章 机器学习的基础：概率理论体系

2.1简介：贝叶斯建模

2.2考克斯—杰恩斯公理

2.3贝叶斯推断和归纳

2.4模型结构：图模型及其他技巧

2.5小结

第3章 概率建模和推断：应用举例

3.1最简单的序列模型

3.2统计力学

第4章 机器学习算法

4.1绪论

4.2动态规划

4.3梯度下降法

4.4EM/GEM算法

4.5马尔可夫链—蒙特卡罗方法

4.6模拟退火算法

4.7进化和遗传算法

4.8学习算法的相关技术细节

第5章 神经网络：理论

5.1概述

5.2通用函数逼近特性

5.3先验分布和似然度

5.4反向传播学习算法

第6章 神经网络：应用

6.1序列编码和输出表示

6.2序列相关性与神经网络

6.3蛋白质二级结构预测

6.4信号肽及其剪切位点的预测

6.5 DNA/RNA序列分析的相关应用

6.6预测的性能评价

6.7不同的性能评价标准

第7章 隐马氏模型（HMM）：理论

7.1简介

7.2先验信息和初始化

7.3似然度及基本算法

7.4学习算法

7.5 HMM的应用：一般性的问题

第8章 隐马氏模型（HMM）：应用

8.1在蛋白质方面的应用

8.2在DNA和RNA方面的应用

8.3 HMM的优势和局限性

第9章 生物信息学中的概率图模型

9.1生物信息学中的图模型概述

9.2马尔可夫模型与DNA的对称性

9.3马尔可夫模型和基因发现程序

9.4混合模型和图模型的神经网络参数化

9.5单模型情形

9.6用于蛋白质二级结构预测的双向反馈神经网络

第10章 进化的概率模型：系统进化树

10.1进化的概率模型简介

10.2替换概率和进化速率

10.3进化速率

10.4数据似然度

10.5进化树的优化和学习算法

10.6吝啬法

10.7扩展

第11章 随机文法和语言学

11.1形式文法的介绍

11.2形式文法和乔姆斯基层次

11.3文法在生物序列中的应用

11.4先验信息和初始化

11.5似然度

11.6学习算法

11.7 SCFG的应用

11.8实验

11.9展望

第12章 微阵列和基因表达

12.1微阵列数据简介

12.2阵列数据的概率模型

12.3聚类

12.4基因调控

第13章 互联网资源和公共数据库

13.1迅速积累的资源

13.2关于数据库和工具的综合目录

13.3分子生物学数据库综合目录

13.4序列与结构数据库

13.5序列相似性搜索

13.6比对

13.7有代表性的预测服务器

13.8分子生物学软件链接

13.9网上的博士课程

13.10生物信息学协会

13.11 HMM/NN仿真软件

附录A 统计学

A.1决策理论和损失函数

A.2二次损失函数

A.3偏差／方差均衡

A.4估计器的组合

A.5误差带

A.6充分统计量

A.7指数族

A.8其他有用分布

A.9变分法

附录B 信息论、熵和相对熵

B.1熵

B.2相对熵

B.3互信息

B.4 Jensen不等式

B.5最大熵

B.6最小相对熵

附录C 概率图模型

C.1符号和预备知识

C.2无向情形：马尔可夫随机域

C.3有向情形：贝叶斯网络

附录D HMM的相关技术：标定、周期构架、状态函数和Dirichlet混合模型

D.1标定

D.2周期构架

D.3状态函数：可弯曲性

D.4 Dirichlet混合模型

附录E 高斯过程、核方法及支持向量机

E.1高斯过程模型

E.2核方法和支持向量机

E.3高斯过程和SVM的定理

附录F 公式和缩写符号

参考文献

基本词汇英汉对照表