随着人类基因组计划的完成,技术能够分析大量数据的迫切需要。分析高通量数据的计算技术的进步在基因组学、蛋白质组学和可视化都进行了广泛的研究和理解生物机制发挥了至关重要的作用。机器学习和相关技术,如支持向量机,马尔可夫模型、决策树和神经网络已经被越来越多的用于解决问题的基因组学和系统生物学。

机器学习被定义为一个“计算机程序,可以从经验中学习对某些类的任务和性能措施”( 1]。如果我们可以设计机器学习算法从过去的经验中学习,从而提高自动的性能,我们可以解决复杂的问题,如那些在基因组学和系统生物学。

在这个特殊的问题,我们已经探索标志物的话题,转录因子结合,小说类型III效应器,为奶牛育种值预测,基因选择和肿瘤的分类。本卷的论文研究了先前研究领域和研究生物信息学问题的新方法。论文反映使用机器学习技术的紧迫性为生物开发更加高效和准确的算法问题。我们希望论文的体积可以扩大当前的机器学习方法在基因组学的角度系统生物学和激发创意的设计新方法对现有生物问题。

纯美少女刘 东胜切 Xumin刘 Yinglei歌