Deep Learning für die Biowissenschaften

Table of contents

1. Cover
2. Titel
3. Impressum
4. Inhalt
5. Vorwort
6. 1 Warum Biowissenschaften?
   1. Warum Deep Learning?
   2. In den modernen Biowissenschaften geht es um Daten
   3. Was werden Sie lernen?
7. 2 Einführung in Deep Learning
   1. Lineare Modelle
   2. Mehrlagige Perzeptronen
   3. Trainieren der Modelle
   4. Validierung
   5. Regularisierung
   6. Hyperparameteroptimierung
   7. Weitere Arten von Modellen
      1. Convolutional Neural Networks
      2. Recurrent Neural Networks
   8. Weiterführende Literatur
8. 3 Machine Learning mit DeepChem
   1. DeepChem-Datensätze
   2. Trainieren eines Modells zur Vorhersage der Toxizität von Molekülen
   3. Fallstudie: Trainieren eines MNIST-Modells
      1. Der MNIST-Datensatz
      2. Eine Konvolutionsarchitektur für MNIST
   4. Fazit
9. 4 Machine Learning mit Molekülen
   1. Was ist ein Molekül?
      1. Was sind molekulare Bindungen?
      2. Molekülgraphen
      3. Molekulare Konformationen
      4. Chiralität von Molekülen
   2. Featurization eines Moleküls
      1. SMILES-Strings und RDKit
      2. Konnektivitäts-Fingerprints
      3. Molekulare Deskriptoren
   3. Graph Convolutions
   4. Trainieren eines Modells zur Vorhersage der Löslichkeit
   5. MoleculeNet
      1. SMARTS-Strings
   6. Fazit
10. 5 Biophysikalisches Machine Learning
    1. Proteinstrukturen
       1. Proteinsequenzen
       2. Eine kurze Einführung in die Proteinbindung
    2. Biophysikalische Eigenschaften
       1. Grid Featurization
       2. Atomare Featurization
    3. Die PDBBind-Fallstudie
       1. Der PDBBind-Datensatz
       2. Merkmale entwickeln im PDBBind-Datensatz
    4. Fazit
11. 6 Deep Learning in der Genomik
    1. DNA, RNA und Proteine
    2. Und nun zur Wirklichkeit
    3. Transkriptionsfaktor-Bindung
       1. Ein Konvolutionsmodell für die TF-Bindung
    4. Zugänglichkeit von Chromatin
    5. RNA-Interferenz
    6. Fazit
12. 7 Machine Learning in der Mikroskopie
    1. Eine kurze Einführung in die Mikroskopie
       1. Zeitgemäße Lichtmikroskopie
    2. Die Beugungsgrenze
       1. Elektronen- und Rasterkraftmikroskopie
       2. Superauflösende Mikroskopie
       3. Deep Learning und die Beugungsgrenze?
    3. Vorbereiten biologischer Proben für die Mikroskopie
       1. Einfärben der Proben
       2. Fixierung der Probe
       3. Schneiden der Probe
       4. Fluoreszenzmikroskopie
       5. Artefakte der Probenvorbereitung
    4. Deep-Learning-Anwendungen
       1. Die Zellzählung
       2. Zellsegmentierung
       3. Rechnergestützte Assays
    5. Fazit
13. 8 Deep Learning in der Medizin
    1. Computerunterstützte Diagnostik
    2. Probabilistische Diagnosen mit Bayes’schen Netzen
    3. Die elektronische Gesundheitsakte
       1. Worin liegen die Gefahren großer EHR-Datenbanken?
    4. Deep Radiology
       1. Röntgenaufnahmen und CT-Scans
       2. Histologie
       3. MRT-Scans
    5. Lernmodelle als Therapeutika
    6. Diabetische Retinopathie
    7. Fazit
       1. Ethische Überlegungen
       2. Arbeitsplatzverluste
       3. Zusammenfassung
14. 9 Generative Modelle
    1. Variational Autoencoder
    2. Generative Adversarial Networks
    3. Anwendungen generativer Modelle in den Biowissenschaften
       1. Entwicklung neuer Ideen für die Kernstrukturen
       2. Proteindesign
       3. Ein Tool für wissenschaftliche Entdeckungen
       4. Die Zukunft generativer Modellierung
    4. Mit generativen Modellen arbeiten
       1. Analysieren der Ausgabe des generativen Modells
    5. Fazit
15. 10 Interpretieren von Deep-Learning-Modellen
    1. Vorhersagen erklären
    2. Eingaben optimieren
    3. Unsicherheit vorhersagen
    4. Interpretierbarkeit, Erklärbarkeit und reale Konsequenzen
    5. Fazit
16. 11 Beispiel eines virtuellen Screening-Workflows
    1. Vorbereiten des Datensatzes
    2. Trainieren eines Vorhersagemodells
    3. Vorbereiten eines Datensatzes für die Vorhersage
    4. Ein Vorhersagemodell anwenden
    5. Fazit
17. 12 Chancen und Perspektiven
    1. Medizinische Diagnosen
    2. Personalisierte Medizin
    3. Arzneimittelentwicklung
    4. Biologische Forschung
    5. Fazit
18. Fußnoten
19. Index
20. Über die Autoren
21. Kolophon