VIP20
本课程属于：054-单细胞空间整合特征学习任务 生物信息学与 AI 制药工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

生物学意义可解释性度量指南

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程概述
生物学意义可解释性度量的定义与目标
课程概述生物学意义可解释…
02
生物学背景
中心法则与生物数据表示
生物学背景心法则
03
可解释性基础
为什么生物模型需要可解释性
可解释性基础为什么生物模型需…
04
监督学习模型在生物学中的应用
分类与回归
监督学习模型生物学
05
无监督学习在生物学中的应用
聚类与降维
无监督学习生物学
06
生物学数据预处理与特征选择中的可解释性。
生物学数据预处理与特征选择中的可解释性 · 核心概念 · 实践要点
生物学数据预处理特征选择
07
基于置换的特征重要性度量。
基于置换的特征重要性度量 · 核心概念 · 实践要点
基于置换的特征重…重点
08
SHAP值的原理及其在基因表达分析中的应用。
SHAP值的原理及其在基因表达分析中的应… · 核心概念 · 实践要点
SHAP值的原理
09
LIME局部解释方法在蛋白质功能预测中的应用。
LIME局部解释方法在蛋白质功能预测中的… · 核心概念 · 实践要点
LIME局部解释方法
10
部分依赖图（PDP）用于分析环境因素对表型的影响。
部分依赖图（PDP）用于分析环境因素对表… · 核心概念 · 实践要点
PDP部分依赖图
11
累积局部效应（ALE）对非线性关系的解释。
累积局部效应（ALE）对非线性关系的解释 · 核心概念 · 实践要点
ALE累积局部效应
12
模型不可知性方法
ICE图与全局代理模型
模型不可知性方法ICE
13
基于规则的解释
决策树与规则集成
基于规则的解释决策树
14
注意力机制在转录因子结合位点预测中的可解释性。
注意力机制在转录因子结合位点预测中的可解… · 核心概念 · 实践要点
注意力机制转录因子结合位点…
15
图神经网络解释方法在蛋白质-蛋白质相互作用网络的应用。
图神经网络解释方法在蛋白质-蛋白质相互作… · 核心概念 · 实践要点
图神经网络解释方…蛋白质
16
因果可解释性
结构因果模型在生物系统中的应用
因果可解释性结构因果模型
17
生物学意义的量化度量
通路富集分数
生物学意义的量化…通路富集分数
18
忠诚度（Fidelity）
解释如何忠实反映模型行为
Fidelity忠诚度
19
稳定性（Stability）
解释结果对输入扰动的鲁棒性
Stability稳定性
20
可理解性（Comprehensibility）
人类理解的难易程度
Comprehensib…可理解性
21
稀疏性（Sparsity）
解释中包含的特征数量
Sparsity稀疏性
22
正确性（Correctness）
解释与生物学事实的一致性
Correctness正确性
23
完备性（Completeness）
解释覆盖重要特征的程度
Completeness完备性
24
生物学验证方法
实验验证与文献挖掘
生物学验证方法实验验证
25
可解释性度量的基准测试框架
对比不同方法
可解释性度量的基…对比不同方法
26
多任务学习中的联合可解释性度量。
多任务学习中的联合可解释性度量 · 核心概念 · 实践要点
多任务学习联合可解释性度量
27
时间序列生物数据（如RNA动态）的可解释性。
时间序列生物数据（如RNA动态）的可解释… · 核心概念 · 实践要点
RNA时间序列生物数据
28
单细胞RNA-seq数据解释中的挑战与方法。
单细胞RNA-seq数据解释中的挑战与方… · 核心概念 · 实践要点
RNA-seq单细胞
29
案例研究
利用可解释性发现新型药物靶点
案例研究利用可解释性发现…
30
课程总结
可解释性度量在精准医学中的前景
课程总结可解释性度量