自奥巴马总统首次提出“精准医学”以来，它对计算生物学和生物医学来说是一个巨大的挑战和机遇。近年来，计算方法在医学图像分析、医疗信息学和癌症基因组学等生物医学和生物信息学研究领域出现了广泛的应用。肿瘤图像、电子病历、微阵列、全基因组关联研究(GWAS)等医学数据需要大量的预测和挖掘工作。因此，越来越多的数据挖掘算法被用于计算生物学和生物医学的预测任务中。

近年来，先进的数据挖掘技术也得到了迅速的发展。一些有影响的新方法在顶级期刊和会议上被报道。例如，亲和力传播作为一种新的聚类算法发表在《科学》杂志上。最近，深度学习似乎适合大数据，并成为下一个热门话题。并联机构也是由学者和行业研究人员开发的，如Mahout。越来越多的计算机科学家致力于先进的大规模数据挖掘技术。然而，生物医学的应用还没有完全解决，落后于技术的发展。

本专题将针对最近的大规模数据挖掘技术以及生物医学应用。鼓励在医学和生物学可扩展数据上的应用。我们特别鼓励使用计算方法进行临床或特定疾病的基因组学研究。我们也欢迎新的分类和聚类算法，如大不平衡学习策略，多视图学习策略，各种半监督学习策略，和多核学习策略。没有生物医学应用的机器学习理论是不能被接受的。我们鼓励作者提供他们的代码，并公开他们真实的生物学或医学数据，这将使我们的问题更具创新性。请不要只在一些知名的基准数据集上测试你的算法。

特刊欢迎相关主题的一系列最新进展，为研究人员提供一个平台，以交流他们的创新想法和真实的生物医学数据。

潜在的主题包括但不限于:

• 用于临床或特定疾病研究的新型计算策略
• 大规模分类算法在生物医学或生物信息学上的应用
• 大规模聚类算法在生物医学或生物信息学上的应用
• 生物医学或生物信息学数据的不平衡学习算法
• 医学图像分类的多视图学习
• 生物医学或生物信息学数据的半监督学习策略
• 用于生物医学或生物信息学数据的集成学习策略
• 超大生物医学或生物信息学数据的并行学习技术
• 多核学习在生物医学或生物信息学上的应用
• 多标签分类算法在生物医学或生物信息学上的应用