5个研究背景和意义示例,教你写计算机生物信息论文

今天分享的是关于生物信息的5篇计算机毕业论文范文, 如果你的论文涉及到生物信息等主题,本文能够帮助到你

心血管疾病临床和生物信息管理系统的设计与应用

这是一篇关于心血管疾病,医学信息学,临床信息,生物信息,数据库,MySQL,浏览器/服务器的论文, 主要内容为研究背景：心血管疾病已成为目前我国人口第一位的死亡原因,对人民的生产和生活造成了极大负担。随着计算机与网络在医学领域应用逐渐普及,电子病历的产生和数据库技术的应用,为临床医学、基础医学和转化医学的研究带来前所未有的机遇。将心血管疾病的临床信息与生物信息有机结合,实现研究数据的结构化和易提取化,可明显缩短心血管疾病相关研究所耗费的时间,进而对心血管疾病进行更强有力的预防与控制。目的：搭建心血管疾病临床信息数据库,并以此为中心,结合相关基因研究项目的生物信息,初步实现两库结合。材料与方法：本项研究通过HIS系统提取2010年1月至2013年1月于心内科住院患者的全部临床信息,以及与华大基因研究合作的心衰相关基因项目中心衰患者的基因检测的相关信息。以Java EE为平台,Spring3, Struts2, MyBatis软件搭建系统整体框架,以MySQL5.5为数据库管理系统软件,采用面向对象的JavaJDK1.6作为后台程序开发语言,以Tomcat6.0作为Web服务器,前端JSP用户界面用Dreamweaver实现。用JDBC程序实现数据库连接。结果：设计并建立了基于MySQL数据库管理系统的关系型数据库,包括心血管疾病的临床与生物信息,使系统具备不同的功能模块,实现了对数据库进行录入、查询、简单统计、浏览、导出和管理等功能。同时利用Tomcat搭建了网络应用平台,实现了数据信息的互联网共享。结论：成功搭建心血管疾病的临床信息系统并良好应用,将心血管疾病相关基因导入生物信息数据库,初步实现与临床信息系统的对接。满足心血管疾病相关科研工作的信息化需求,提高了科研工作的效率,并为日后建立大型数据共享平台,实现进一步数据挖掘和智能分析等打下基础。

微生物组半胱氨酸分子靶标知识库与知识图谱的建立

这是一篇关于微生物,分子靶标,大数据挖掘,生物信息,知识库,知识图谱的论文, 主要内容为微生物感染疾病是医疗领域的重大难题,分子靶标通常是蛋白质、酶、受体、核酸等生物分子,与微生物和疾病密切相关。对于微生物感染而言分子靶标通常作为药物作用的靶点,近年来共价探针以及共价抑制剂类的药物研发逐渐成为研究热点。本研究将抗微生物感染应用最为广泛的各类微生物体内的半胱氨酸分子靶标以及其共价抑制剂在医疗领域的使用作为切入点,通过大数据挖掘和构建在线知识库、知识图谱的方法,探究了共价抑制剂在抗微生物感染中的使用情况。具体结果如下:(1)利用Pubmed医疗文献数据库,采用专家系统的方式,对各类微生物的半胱氨酸分子靶标进行大数据挖掘;找到与微生物和共价抑制剂相关的文献3300篇,大数据挖掘得到119个半胱氨酸靶点,包含了60余个物种;抑制剂150余个,对应适应症50余个;每个靶点对应设立了13条生信属性用以描述靶点信息。将挖掘结果制成原始数据表待用。(2)将取得的原始数据制作成为在线知识库,并且建设知识库网站,利用Springboot后台开发框架和Antdesign前端开发框架分别独立开发知识库网站的前后端,在线数据库服务由Postgre提供;网站建设完成后于服务器部署上线。(3)知识图谱是一种新的图语义网络,可将数据或知识以图形的方式储存并展现,图谱本身即数据库。在微生物组半胱氨酸分子靶标知识库建设完成后需利用其中的相关知识构建知识图谱,通过分析选用Trans D模型作为理论基础,利用Neo4j图谱软件和Py2neo模块,分别构建了“细菌”、“病毒”、“寄生虫”、“真菌”四类微生物的半胱氨酸分子靶标知识图谱。知识库网站和知识图谱的建立完善了微生物组分子靶标的知识库体系,本研究所构建的知识库体系在一定程度上弥补了国内针对微生物的相关生物信息学数据库的空缺。此知识库体系会持续维护更新,将最新的共价抑制剂在抗微生物感染方面的知识收集并展示,使本知识库在新型共价药物的研发工作中发挥一定作用。

心血管疾病临床和生物信息管理系统的设计与应用

基于深度学习的蛋白质功能预测系统实现

这是一篇关于深度学习,在线系统,蛋白质功能预测,生物信息的论文, 主要内容为蛋白质(Protein)是生物体各种生物过程的主要承担者,也是构成生命体的重要物质之一,通常由DNA翻译转录而成。人类基因组计划的提出促进了生物信息学及相关技术的发展,随着测序阶段的完成,当前的科学研究进入后基因组时代。当前生物数据规模不断增长,同时功能标签未知的蛋白质数量也不断增加,面对海量的蛋白质生物组学数据,亟需基于计算机技术的自动化大规模标注系统。利用机器学习、软件开发等手段,全面、自动、准确、便捷地分析蛋白质生物数据,不仅有利于人类理解蛋白质的理化特性,探索生命活动的底层原理,也为医学遗传、病理研究、药物研发、生物科学等研究领域提供成规模的数据支撑。因此,依托计算机技术的自动化蛋白质功能标签的预测是后基因组时代重要且基本的任务之一。蛋白质序列数据是通过测序技术获得的蛋白质氨基酸序列信息,是最基础的蛋白质生物组学数据。由于序列长度的跨度范围较大,通常氨基酸序列长度在几十到几千范围内变化,大量的氨基酸数据无法被完全利用,这为当前蛋白质功能预测带来了难点;同时蛋白质生物组学数据繁多,除去序列数据外还有蛋白质-蛋白质互作数据、蛋白质3D结构数据、蛋白质共表达数据等,且因为研究人员和研究热点的偏向性规模不均,根据需求如何合理选择蛋白质生物组学数据是一个问题;此外,如何整合多种模态的蛋白质生物数据并准确预测蛋白质功能标签也是当前研究的挑战。借助深度学习强大的特征提取能力,基于深度学习的自动化分析系统的设计与实现是解决上述问题的可选方案,通过搭载改进后的基于深度学习的蛋白质功能预测算法,实现在线蛋白质功能预测,为蛋白质功能预测提供了一项可行的自动化执行方案。因此,本文分析多种模态的蛋白质生物组学数据以及蛋白质功能标签范式(Gene Ontology),深入研究现有蛋白质功能预测算法,针对其不足,本文提出一个基于深度学习的融合蛋白质序列数据和蛋白质互作网络数据的功能标签预测模型,随后本文设计并实现一个基于该算法模型的在线预测平台。本文主要工作包括:(1)针对现有蛋白质功能预测算法存在的不足,本文提出一种基于深度学习整合序列信息和互作数据的蛋白质功能预测算法(Protein Function Prediction by Fusing Sequence and Interaction Data Using Graph Attention Mechanism,Deep GAGO)。多数现有蛋白质功能预测算法使用卷积神经网络处理蛋白质序列数据,对序列数据进行裁剪增补以适配卷积神经网络的输入,这种裁剪损失了宝贵的训练数据,增补则增加了网络学习负担,针对这一问题,Deep GAGO算法引入金字塔池化适配任何长度的序列输入;其次,蛋白质序列会经过盘曲折叠形成空间结构,多数现有算法没有考虑空间变换时序列局部的重新组合,针对这一问题,Deep GAGO算法引入扩张卷积扩大网络感受野,增加拟合效果;此外,多数现有算法直接拼接多种数据表示向量,增大了分类器输入的维度并且没有去掉冗余特征信息,针对这一问题,Deep GAGO算法引入基于注意力机制的图神经网络,整合蛋白质序列数据和相互作用信息。最后,本文设计规范的对比实验和消融实验,在CAFA数据集上验证Deep GAGO算法的有效性,实验结果证明本文提出的模型表现更好。(2)设计并实现搭载深度学习算法的在线预测系统。系统采用微服务架构实现,前端使用VUE框架和Nuxt等技术,后端使用Gin框架,算法采用Py Torch编写并使用Flask框架提供服务,系统整体使用Docker进行部署。系统包含了用户管理、在线预测、组学数据库、可视化等功能。系统实现后进行必要的系统功能测试和性能测试,测试结果证明系统功能完善,运行稳定,性能达标。综上,本文针对自动化蛋白质功能预测的问题,分析并改进基于深度学习的蛋白质功能预测算法,基于改进的算法设计并实现搭载算法模型的自动化在线预测平台,从而提升研究人员对蛋白质功能标签分析的效率,实现便捷的蛋白质功能自动化分析。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈网，原文地址：https://m.bishedaima.com/lunwen/50138.html