本书系统阐述了人工智能（AI）在生命科学中的应用，涵盖监督、无监督、强化学习及卷积神经网络（CNN）、Transformer等模型，并介绍变分自编码器（VAE）、生成式对抗网络（GAN）在分子设计中的作用；结合组学大数据，分析高维异质性问题及数据整合方法；从动物、植物与微生物研究出发，展示AI在分类、育种、代谢工程与病原预测等方面的实践。全书以“理论—数据—应用”为主线，体现AI推动生命科学向预测与精准研究转型。

更多科学出版社服务，请扫码获取。

2004.09-2010.06，中国科学院，硕士/博士 2000.09-2004.07，陕西师范大学，生命科学学院，本科2023.07 至今， 重庆师范大学，生命科学学院，三级教授 2017.12 - 2023.06 重庆师范大学，生命科学学院，四级教授 2014.08 - 2015.08，美国俄克拉荷马大学，访问学者 2012.12 -2017.11，重庆师范大学，生命科学学院，副教授 2010.07 -2012.11，重庆师范大学，生命科学学院，讲师生物信息学、基因组学、人工智能在Briefings in Bioinformatics, BMC Genomics, BMC evolutionary biology, Zoological Research, Scientific Reports, Parasite& vector, Insect science等国内外学术期刊上发表论文近50篇，单篇引用次数135次，H-index达到13；合作出版英文著作1部。指导本科生参加“挑战杯”全国大学生课外学术科技作品竞赛、大学生创新创业训练项目、中国“互联网+”大学生创新创业大赛、昇腾AI创新大赛（华为）等，获多项省部级奖励；获本科生优秀导师奖。2024世界生物医药与人工智能大会分会主席，中国昆虫学会基因组学专委会委员，重庆市生物信息学会常务理事，国际学术期刊《Interdisciplinary Sciences: Computational Life Sciences》的编委，多个国际学术杂志审稿人。

目录
第1章 人工智能发展历史 1
1.1 人工智能的思想雏形 1
1.2 人工智能的发展历程 2
1.2.1 起源与发展初期 2
1.2.2 寒冬期 4
1.2.3 复苏与繁荣 4
1.3 人工智能在生命科学中应用的现状与前景 8
1.3.1 现状 8
1.3.2 面临的问题 11
1.3.3 发展前景 12
参考文献 13
第2章 人工智能算法介绍 14
2.1 人工智能的主要任务和学习范式 14
2.1.1 监督学习 14
2.1.2 无监督学习 15
2.1.3 半监督学习 16
2.1.4 强化学习 17
2.1.5 计算机视觉、自然语言处理和多模态学习 18
2.2 深度学习的关键模型 20
2.2.1 卷积神经网络 22
2.2.2 循环神经网络 24
2.2.3 注意力机制 24
2.2.4 自监督学习模型 25
2.2.5 生成模型 26
2.2.6 深度学习的高速化技术 27
2.3 总结 28
参考文献 30
第3章 生命科学中的组学大数据 34
3.1 组学大数据的诞生 34
3.1.1 组学数据介绍 35
3.1.2 从跨物种到泛组学的扩展 52
3.2 组学数据资源 56
3.2.1 国家基因组科学数据中心 56
3.2.2 美国国立生物技术信息中心 56
3.2.3 RNA 相关数据库 60
3.2.4 蛋白质相关数据库 60
3.2.5 代谢物数据库 61
3.3 组学数据的结构与特征 62
3.3.1 组学数据的结构类型 63
3.3.2 组学数据的主要特征 69
3.4 传统统计分析方法在组学数据中的应用 72
3.4.1 差异表达分析 74
3.4.2 功能富集分析 76
3.4.3 以化学计量基因组学为例 77
参考文献 81
第4章 人工智能在多组学研究中的应用 86
4.1 人工智能在组学数据中的应用 86
4.1.1 机器学习与深度学习在组学研究中的应用概述 86
4.1.2 智能算法赋能组学数据整合 92
4.2 蛋白质组学中的人工智能 96
4.2.1 蛋白质定位预测 96
4.2.2 蛋白质修饰与相互作用预测 119
4.3 代谢组学中的人工智能 135
4.3.1 基于多模态信息表示的小分子性质预测 135
4.3.2 基于图对比学习的小分子性质预测 151
参考文献 161
第5章 人工智能在动物研究中的应用 169
5.1 动物研究数据集 170
5.2 动物科学不同领域的应用 172
5.2.1 动物分类与保护 172
5.2.2 动物行为与发育 176
5.2.3 动物遗传、进化和疾病模型 182
5.2.4 动物育种与健康管理 192
5.2.5 古生物学 198
5.3 在动物研究中使用AI 的挑战 200
5.3.1 数据相关的挑战 201
5.3.2 算法相关的挑战 202
5.3.3 伦理相关的挑战 203
5.3.4 技术相关的挑战 204
5.3.5 应对挑战的策略 205
5.3.6 未来展望 206
参考文献 206
第6章 人工智能在植物研究中的应用 217
6.1 植物研究数据集 218
6.2 人工智能在植物学不同领域的应用 220
6.2.1 植物表型识别 220
6.2.2 植物基因组与多组学分析 225
6.2.3 作物性状预测与精准育种 228
6.2.4 植物病害预测与诊断 231
6.2.5 植物营养与产量预测 234
6.2.6 植物与环境互作建模 238
6.2.7 植物适应性研究 241
6.2.8 植物基因编辑 246
6.2.9 药用植物与活性成分预测 251
6.3 植物学研究中人工智能面临的挑战与展望 254
6.3.1 技术融合驱动的植物学研究创新 254
6.3.2 植物学研究中人工智能面临的挑战 255
6.3.3 人工智能促进植物学研究跨学科发展 256
6.3.4 人工智能赋能植物可持续发展 256
6.3.5 植物研究智能化的未来展望 257
参考文献 258
第7章 人工智能在微生物研究中的应用 269
7.1 微生物研究数据集 270
7.2 人工智能在微生物不同领域的应用 274
7.2.1 16S 核糖体RNA 274
7.2.2 微生物组学 277
7.2.3 微生物与生态 284
7.2.4 微生物与疾病 287
7.2.5 微生物与食品 293
7.2.6 微生物与农业 295
7.2.7 微生物与合成生物学 298
7.3 人工智能在微生物领域研究中的挑战与展望 301
7.3.1 人工智能在微生物多领域研究结合中的挑战 301
7.3.2 人工智能在微生物多领域研究结合中的展望 304
7.3.3 结论 308
参考文献 309