AI赋能的微生物组大数据挖掘:方法与应用

　　第1章微生物组1
　　11基本概念1
　　111微生物群2
　　112宏基因组4
　　113微生物组5
　　12微生物组高通量测序5
　　121扩增子测序6
　　122宏基因组测序7
　　123测序技术的发展9
　　124鸟枪法宏基因组测序的拓展研究11
　　13微生物组测序数据和基本分析流程14
　　小结16
　　参考文献16
　　第2章微生物组大数据及其主流分析方法20
　　21基本概念及分类20
　　22微生物组大数据的特征22
　　23微生物组的主流数据库23
　　24微生物组的主流数据分析方法和软件24
　　241扩增子分析软件27
　　242宏基因组分析软件27
　　243统计和可视化工具28
　　25微生物组数据整合中的批次效应28
　　 
　　251平均中心方法30
　　252Zscore方法30
　　253基于比值的方法31
　　254距离加权判别法31
　　255ComBat方法31
　　256基于奇异值分解方法31
　　257替代变量分析法31
　　26微生物数据分析流程32
　　26116S扩增子数据分析流程33
　　262宏基因组数据分析流程35
　　小结37
　　参考文献37
　　第3章微生物组大数据挖掘43
　　31微生物组大数据挖掘概述43
　　311微生物组数据挖掘背景43
　　312人工智能简介44
　　313人工智能和高性能计算47
　　314机器学习的概念及方法47
　　315深度学习的概念及方法52
　　316计算机经典算法简介58
　　32微生物组数据挖掘方法61
　　321微生物组大数据挖掘主流方法及其特征61
　　322微生物组数据挖掘技术简介62
　　323微生物标志物挖掘及经典案例64
　　324微生物组样本比对和特征预测及经典案例65
　　325微生物组时序网络挖掘及经典案例66
　　33微生物组大数据挖掘的人工智能方法67
　　331在生物研究中的人工智能方法67
　　332在微生物组研究中的人工智能方法71
　　333人工智能应用实例73
　　34微生物组数据挖掘的瓶颈问题及应对策略77
　　341微生物组大数据挖掘瓶颈77
　　342微生物组大数据挖掘瓶颈问题的应对策略78
　　小结80
　　参考文献81
　　第4章微生物组大数据的应用85
　　41不同宿主环境下的微生物组数据研究86
　　411大黄蜂微生物组研究86
　　412鱼类微生物组研究87
　　413小龙虾微生物组研究89
　　414从抗生素耐药性角度研究水稻小龙虾共养模式90
　　415鸡微生物组研究91
　　416欧洲野兔微生物组研究91
　　417家畜微生物组研究92
　　42人体微生物组数据研究93
　　421肠型分析96
　　422肠道微生物亚群与饮食、代谢疾病的关联分析97
　　423人类饮食与肠道菌群的个性化关联98
　　424体育锻炼与肠道菌群的相关性研究98
　　425幼儿肠道微生物组的时间发育变化100
　　426肠道菌群与年龄预测101
　　427微生物组与癌症相关性研究101
　　428肠道菌群与非酒精性脂肪肝的防治102
　　429肠易激综合征患者肠道菌群的研究103
　　4210类风湿性关节炎患者微生物失调和代谢紊乱研究104
　　4211下呼吸道细菌性感染诊断研究105
　　4212肠道菌群可塑性研究105
　　43环境和工程领域的微生物组数据研究106
　　431土壤微生物组研究107
　　432污水处理厂微生物群落挖掘108
　　433植物根际微生物群落研究109
　　434甘草基因表达微生物群落代谢产物调控模式研究110
　　435地下水微生物来源分析111
　　436水体抗生素抗性基因研究112
　　437湖泊抗生素抗性基因研究113
　　438全球海洋宏转录组研究114
　　439海洋微生物群落中的抗生素抗性基因研究115
　　4310利用海洋宏基因组学预测新蛋白质家族116
　　4311重症监护病房微生物研究117
　　4312微生物溯源研究118
　　4313本体感知深度学习应用于微生物溯源的研究119
　　4314迁移学习应用于微生物分类研究120
　　小结121
　　参考文献122
　　第5章微生物组大数据挖掘的发展趋势和未来态势129
　　51人工智能赋能的微生物组大数据挖掘的总体知识框架131
　　52新技术和新发现驱动微生物组研究的不断进步131
　　53微生物组暗物质和大数据挖掘137
　　参考文献140
　　附录143
　　附录1术语解释144
　　附录2微生物基因组概述150
　　附录3基因组功能注释153
　　附录4人类微生物组研究的30个重大里程碑事件157

　　宁康：华中科技大学生命科学与技术学院教授，博士生导师，生物信息与系统生物学系系主任，华中卓越学者特聘教授，湖北省楚天学者特聘教授。在生物信息学领域从事科研工作10余年，研究重点方向为生物大数据和微生物组的挖掘及其在健康与环境等领域的应用。目前主持国家自然科学基金项目、科技部重大研究计划课题等。已作为通讯作者在PNAS、Gut、Genome Biology、Genome Medicine、Microbiome、Briefings in Bioinformatics、Nucleic Acids Research等生物学、医学和生物信息学顶级学术期刊发表学术论文100余篇，文章总引用超过5000次。担任Genomics Proteomics Bioinformatics、Microbiology Spectrum等国际期刊编委，担任中国生物信息学学会-基因组信息学分会副主任等。

　　微生物组学（microbiomics）是继基因组学之后，生物学研究领域的重大突破之一。特别是近20年来，国际上有关微生物组学的研究进展极其迅速，不仅积累了上百万的微生物群落样本，而且在人体健康、环境保护、工业生产等方面发掘了大量的微生物资源，发现了大批的微生物变化规律。当今人工智能（AI）技术一日千里，将其运用于微生物组的大数据挖掘，可极大地促进微生物资源的理性转化与应用。本书较为全面系统性地梳理了AI赋能微生物组的基本概念和分析流程，以及21世纪前20年来相关数据挖掘方法和典型应用案例，并对其未来发展趋势和应用潜力进行了总结与展望，可供微生物组研究相关的科研工作者，以及对组学数据挖掘感兴趣的师生参考。