Chapitre 1.
Pourquoi les sciences de la vie ?
__Pourquoi l'apprentissage profond est-il nécessaire ?
Les sciences de la vie modernes traitent des mégadonnées.
Qu'apprenez-vous ?


Chapitre 2.
Introduction à l'apprentissage profond
modèle linéaire
__Perceptron multicouche
__Entraînement du modèle
__Vérifier
__Normalisation
Optimisation des hyperparamètres
__Autres types de modèles
Réseau neuronal convolutif
Réseau neuronal récurrent
__Pour en savoir plus


Chapitre 3.
Apprentissage automatique avec DeepChem
Jeu de données par défaut de __DeepChem
__Création d'un modèle de prédiction des molécules toxiques
Construction d'un modèle de reconnaissance d'écriture manuscrite avec le jeu de données __MNIST
____Ensemble de données de reconnaissance d'écriture manuscrite MNIST
Reconnaissance de l'écriture manuscrite à l'aide de réseaux neuronaux convolutifs
Softmax et entropie croisée Softmax
__conclusion


Chapitre 4.
Gestion des données au niveau moléculaire
Qu'est-ce qu'une __molécule ?
liaisons intermoléculaires
____graphe moléculaire
structure moléculaire ____
chiralité moléculaire
__Valorisation des données moléculaires
Chaîne ____SMILES et RDKit
Empreinte digitale de connexion étendue
descripteur moléculaire ____
__Convolution de graphes
Modèle de prédiction de la solubilité
__MoleculeNet
Chaîne __SMARTS
__conclusion


Chapitre 5.
Biophysique et apprentissage automatique
structure protéique
séquence protéique ____
Peut-on prédire la structure tridimensionnelle d'une protéine ?
liaison protéine-ligand
__Caractérisation biophysique
____Featurer la grille
____caractérisation atomique
Étude de cas sur les données biophysiques
____Ensemble de données PDBBind
____PDBBind dataset featurealization
__conclusion


Chapitre 6.
Génétique et apprentissage profond
__ADN, ARN, protéine
Que se passe-t-il réellement à l'intérieur d'une cellule ?
Liaison des facteurs de transcription
Un modèle convolutionnel qui prédit la liaison des facteurs de transcription ____
__Accessibilité de la chromatine
Interférence ARN
__conclusion


Chapitre 7.
Apprentissage profond pour la microscopie
__Une brève introduction aux microscopes
Microscope optique moderne
limite de diffraction
Microscope électronique et microscope à force atomique
Microscope à super-résolution
____Apprentissage profond et limite de diffraction
__Préparation des échantillons pour la microscopie
Coloration de l'échantillon
____Fixation de l'échantillon
Traitement de la section d'exemple
Microscope à fluorescence
____Influence du processus de préparation des échantillons
__Comment utiliser l'apprentissage profond
____comptage cellulaire
Qu'est-ce qu'une lignée cellulaire ?
Distinguer les cellules ____
____Apprentissage automatique et expériences scientifiques
__conclusion


Chapitre 8.
Apprentissage profond pour les systèmes de santé
Diagnostic des maladies assisté par ordinateur
Prédiction de l'incertitude à l'aide de réseaux bayésiens
Dossier médical électronique
Code CIM-10
Qu’est-ce que l’apprentissage non supervisé ?
Les risques liés aux bases de données géantes de dossiers médicaux électroniques
Apprentissage profond pour la radiologie
Radiographie et tomodensitométrie
____histologie
____IRM
L'apprentissage automatique comme thérapie
rétinopathie diabétique
__conclusion
____Considérations éthiques
problème d'emploi
____addition


Chapitre 9.
Modèle génératif
__VAE
__GAN
__Application des modèles génératifs aux sciences de la vie
____Recherche de nouveaux candidats médicaments
Génie des protéines
____Outils pour la découverte scientifique
L'avenir des modèles génératifs
Utilisation du modèle génératif
Analyse des résultats du modèle générateur ____
__conclusion


Chapitre 10.
Interprétation des modèles d'apprentissage profond
__Expliquez la valeur prédite
__Optimisation des valeurs d'entrée
Prévoir l'incertitude
Interprétabilité, explicabilité et résultats concrets
__conclusion


Chapitre 11.
projection virtuelle
Préparation de l'ensemble de données pour le modèle de prédiction
__Entraînement d'un modèle d'apprentissage automatique
Préparation de l'ensemble de données pour la prédiction
__Application du modèle de prédiction
__conclusion


Chapitre 12.
L'avenir et les perspectives de l'apprentissage profond
__Diagnostic de la maladie
Médecine personnalisée
Développement de nouveaux médicaments
Recherche en biologie
__conclusion

★ Article recommandé ★

« Cet ouvrage constituera un apport précieux à l'avancement de la communauté des sciences de la vie. »
— Prabhat, chef d'équipe des services d'analyse de données, Laboratoire national Lawrence Berkeley

« C'est un excellent livre pour comprendre les sciences fondamentales et se familiariser avec les applications d'apprentissage profond. »
- C.
Titus Brown (C.
Titus Brown), professeur agrégé à l'Université de Californie


★ Ce que ce livre aborde ★

■ Comment appliquer l'apprentissage automatique aux données moléculaires
L’apprentissage profond comme outil d’analyse puissant pour la génétique/génomique
Comprendre les systèmes biophysiques grâce à l'apprentissage profond
■ Introduction à l'apprentissage automatique à l'aide de la bibliothèque DeepChem
■ Analyse d'images microscopiques par apprentissage profond
■ Analyse d'images médicales par apprentissage profond
■ Modèles VAE et GAN
■ Interpréter les principes de fonctionnement des modèles d'apprentissage automatique


★ Note de l'auteur ★

Les progrès récents en robotique ont permis d'automatiser de nombreuses expériences en sciences de la vie, générant ainsi d'énormes quantités de données.
Il y a une vingtaine d'années, les données qu'un scientifique aurait mis toute une vie à collecter peuvent désormais être accumulées en une journée.
De ce fait, les frontières entre les sciences de la vie et les sciences des données disparaissent rapidement, et la capacité d'analyser rapidement des données au milieu d'un déluge de données devient une compétence essentielle pour les chercheurs en sciences de la vie.
L'époque où l'on traitait des données expérimentales et où l'on traçait des graphiques dans Excel est révolue.
Pour les chercheurs en sciences de la vie modernes, la capacité la plus importante est de découvrir des schémas cachés dans des données expérimentales massives, d'acquérir de nouvelles connaissances et d'en tirer des conclusions scientifiques.

Ces dernières années, l'apprentissage profond s'est imposé comme un outil puissant pour découvrir des modèles et du sens dans les données, démontrant des performances remarquables dans l'analyse des mégadonnées, notamment dans des domaines tels que l'analyse d'images, la traduction de langues étrangères et la reconnaissance vocale.
Ce livre présente le processus d'application de l'apprentissage profond à divers domaines tels que la génomique, le développement de nouveaux médicaments et le diagnostic des maladies, ainsi que la manière de l'appliquer aux sciences de la vie.
Nous ferons également gagner du temps aux lecteurs en fournissant des exemples de code immédiatement utilisables en pratique.


★ Note du traducteur ★

Ce livre est ma deuxième traduction.
J’avais pris conscience de la difficulté de la traduction en traduisant mon précédent livre, mais dès que j’ai vu le titre de celui-ci, je l’ai complètement oubliée et j’ai recommencé à traduire.

La convergence de l'informatique et des sciences de la vie est un vieux rêve.
Tout le monde en connaît l'importance, mais hésite à l'aborder.
Peut-être est-ce parce que chaque domaine est vaste et que les études interdisciplinaires sont abstraites.
Ce livre est donc comme un rayon de lumière pour les personnes qui pensent comme moi.
Les auteurs ne se contentent pas de nous indiquer la voie à suivre, mais nous aident également à comprendre grâce à des exemples pratiques.

Bien qu'il s'agisse d'un ouvrage technique au contenu complexe, j'ai fait de mon mieux lors du processus de traduction pour garantir sa compréhension aisée par les lecteurs.
Pourtant, il semble qu'il manque encore tant de choses.
Si vous ne comprenez pas quoi que ce soit dans ce livre, n'hésitez pas à nous contacter.
Nous sommes toujours ravis d'échanger avec nos lecteurs.