《生物信息学中的机器学习分析方法》针对生物信息学领域中海量的生物数据，分别从微阵列数据的分析和处理、基因调控网络的分析和构建以及蛋白质相互作用网络的分析等角度，系统介绍机器学习、统计学习及各种智能算法在生物信息学相关领域的应用。机器学习在生物信息学领域的研究重心集中在观测和探索生物现象，以及建立统一的形式化的模型对生物学现象加以阐释。《生物信息学中的机器学习分析方法》针对生物信息学领域典型的癌症诊断模型、基因调控网络构建和蛋白质相互作用网络分析3 个研究方向展开机器学习数据挖掘方法的分析与研究，为生物信息学方向的初学者提供了入门知识，也为相关研究人员在相关方向提供了参考信息。

前言 0 绪论      1 
0.1生物信息学的概念      1 
0.2生物信息学的研究内容      1 
0.3微阵列分析技术      2 
0.4基因调控网络      9 
0.5蛋白质相互作用网络     11 
0.6机器学习方法及应用      12 
0.7本书主要内容和安排      15 参考文献     15 
第Ⅰ篇 微阵列数据的分析和处理
第 1章 基于核方法的多病类 DNA微阵列数据集成分类器     21 
1.1核机器学习      22 
1.2基分类器的选择      24 
1.3 DNA微阵列数据集成分类器结构框图     29 
1.4实例研究      30 
1.5本章小结      34 参考文献     34 第 2章 基于选择性独立成分分析的 DNA微阵列数据集成分类器      36 
2.1基于重构样本误差的选择性独立成分分析      37 
2.2实例研究      38 
2.3本章小结      45 参考文献     45 第 3章 基于相关性分析的癌症诊断      47 
3.1 K均值聚类      48 
3.2基于特征选取的相关系数分析癌症诊断模型      48 
3.3实验结果和分析      51 
3.4本章小结      53 
参考文献     53 第 4章 基于线性回归的 DNA微阵列数据稀疏特征基因选择      55 
4.1特征选择      56 
4.2回归分析      56 
4.3仿真研究      61 
4.4本章小结      64 参考文献     65 第 5章 基于贝叶斯理论的 DNA甲基化水平数据分型      66 
5.1贝叶斯理论概述      67 
5.2基于贝叶斯理论的 DNA甲基化水平数据分型      70 
5.3聚类性能评估      74 
5.4仿真研究      75 
5.5本章小结      81 参考文献     81 
第Ⅱ篇 基因调控网络的分析和构建
第 6章 基因表达数据缺失值处理      85 
6.1三种基因表达数据缺失值估计方法      86 
6.2内部规律与外部联系结合的基因表达数据缺失值估计方法      88 
6.3仿真研究      91 
6.4本章小结      98 参考文献     98 第 7章 基于角度离散化的基因调控网络定性分析      100 
7.1三种基因调控网络定性分析方法      101 
7.2基于角度离散化的基因调控网络方法      104 
7.3仿真研究      107 
7.4本章小结