• HOME
  •  > 
  • 医学一般
  •  > 
  • 雑誌
  •  >  実験医学別冊 Pythonで実践 生命科学データの機械学習

実験医学別冊 Pythonで実践 生命科学データの機械学習

出版社: 羊土社
発行日: 2023-04-10
分野: 医学一般  >  雑誌
ISBN: 9784758122634
ISSN: 02885514
雑誌名:
特集: Pythonで実践 生命科学データの機械学習
電子書籍版: 2023-04-10 (第1刷)
書籍・雑誌
≪全国送料無料でお届け≫
取寄せ目安:8~14営業日

7,480 円(税込)

電子書籍
章別単位での購入はできません
ブラウザ、アプリ閲覧

7,480 円(税込)

目次

  • 特集 Pythonで実践 生命科学データの機械学習
       あなたのPCで最先端論文の解析レシピを体得できる!

    第1章 機械学習の概要とライフサイエンス研究への応用
     1.1 AlphaFold2 の衝撃
     1.2 機械学習速習
     1.3 深層学習ことはじめ
     1.4 生命医科学への機械学習の応用
     1.5 おわりに

    第2章 Google Colaboratory, Pandas,Matplotlib, NumPy の基礎
     2.1 本章で扱うデータ
     2.2 Google Colaboratory の使い方
     2.3 データを知る ―― Pandas の基礎1
     2.4 データを見る ―― Matplotlib の基礎
     2.5 データを整形する ―― Pandas の基礎2
     2.6 解析の実行 ―― NumPy の基礎
     2.7 おわりに

    第3章 教師あり学習のためのデータ前処理
     3.1 機械学習の概説
     3.2 データの前処理
     3.3 おわりに

    第4章 scikit-learn を用いたトランスクリプトームデータの分類
     4.1 機械学習: サポートベクトルマシンの実行
     4.2 おわりに

    第5章 PyTorch を用いたトランスクリプトームデータの分類
     5.1 機械学習:ニューラルネットワークの基礎
     5.2 おわりに

    第6章 実践編(1):生命科学・医歯学分野の画像を用いた機械学習
     6.1 はじめに
     6.2 畳み込みニューラルネットワークを用いた画像判別
     6.3 Grad CAM による画像分類の判断根拠
     6.4 転移学習による判別モデルの構築
     6.5 画像セグメンテーションモデルの構築
     6.6 おわりに

    第7章 実践編(2):腫瘍特異的ネオ抗原の機械学習を用いた予測
     7.1 はじめに
     7.2 Python を用いたネオ抗原予測
     7.3 おわりに

    第8章 実践編(3):シングルセル解析とVAE
     8.1 背景と準備
     8.2 エンコーダとデコーダの構造
     8.3 VAE の学習方法
     8.4 その他の部分の実装
     8.5 学習の実行とモデルの評価
     8.6 おわりに

    第9章 実践編(4):エピジェネティクスを含む多階層の統合によるがん研究
     9.1 はじめに
     9.2 オートエンコーダを利用したマルチオミクス解析
     9.3 オートエンコーダのためのPyTorch コード解説
     9.4 コード全体を.py ファイルとして書き出す
     9.5 書き出した.py ファイルの実行
     9.6 オプションの使用例
     9.7 追記:Anaconda 仮想環境
     9.8 おわりに

    第10章 実践編(5):タンパク質の「言語」の法則を解き明かす
        ~アミノ酸配列からのタンパク質局在の予測
     10.1 生命科学研究に応用されつつある自然言語処理AI
     10.2 アミノ酸配列のみからタンパク質の局在を予測する:
         事前学習済みモデルの利用
     10.3 アミノ酸配列のみからタンパク質の局在を予測する:
         タンパク質局在データによるfine-tuning
     10.4 おわりに

    第11章 実践編(6):AI 創薬へのはじめの一歩
     11.1 従来の創薬が抱える2 つの難題と機械学習への期待
     11.2 環境の準備
     11.3 プロジェクト1:csv ファイルを読み込み,水への溶解度を予測する線形モデルを作る
     11.4 プロジェクト2:アンサンブル学習による水溶解度予測
     11.5 プロジェクト3:グラフ畳み込みニューラルネットワークによる水溶解性予測
     11.6 プロジェクト4:コロナウイルス治療薬探索
     11.7 おわりに

    第12章 発展編(1):機械学習を用いたアプタマー配列の解析と創薬
     12.1 はじめに
     12.2 RaptGen を用いた配列解析
     12.3 おわりに

    第13章  発展編(2):機械学習によるマイクロバイオームと機能未知遺伝子の解析
         ~メタゲノム・対偶遺伝学・近傍遺伝子解析
     13.1 準備
     13.2 はじめに
     13.4 機能未知遺伝子の機能解析と対偶遺伝学的解析・近傍遺伝子解析
     13.5 おわりに

    第14章 終章:さらなる学習のためのリソース
     14.1 注目されつつあるノーコード・ローコードAI
     14.2 本書で扱えなかった重要トピックス
     14.3 より優れた計算リソースを求めて
     14.4 生命医科学領域のデータサイエンス・機械学習をさらに勉強するために
     14.5 おわりに

この書籍の参考文献

参考文献のリンクは、リンク先の都合等により正しく表示されない場合がありますので、あらかじめご了承下さい。

本参考文献は電子書籍掲載内容を元にしております。

第1章 機械学習の概要とライフサイエンス研究への応用

P.33 掲載の参考文献
2) AlQuraishi M : Curr Opin Chem Biol, 65 : 1-8, 2021
3) Das R & Baker D : Annu Rev Biochem, 77 : 363-382, 2008
4) Senior AW, et al : Nature, 577 : 706-710, 2020
5) Marks DS, et al : PLoS One, 6 : e28766, 2011
6) Mosalaganti S, et al : bioRxiv, doi : 10.1101/2021.10.26.465776, 2021
7) McCulloch WS, et al : Bull Math Biophys, 5 : 115-133, 1943
8) Chen Y, et al : Bioinformatics, 32 : 1832-1839, 2016
9) Liang M, et al : IEEE/ACM Trans Comput Biol Bioinform, 12 : 928-937, 2015
10) Xiong HY, et al : Bioinformatics, 27 : 2554-2562, 2011
11) Jaganathan K, et al : Cell, 176 : 535-548.e24, 2019
12) Kelley DR, et al : Genome Res, 26 : 990-999, 2016
13) Avsec Z, et al : Nat Methods, 18 : 1196-1203, 2021
14) Alipanahi B, et al : Nat Biotechnol, 33 : 831-838, 2015
15) Kulmanov M, et al : Bioinformatics, 34 : 660-668, 2018
16) Sanderson T, et al : bioRxiv, doi : 10.1101/2021.09.20.461077, 2022
17) Zou Z, et al : Front Genet, 9 : 714, 2018
18) Li S, et al : Biochim Biophys Acta Proteins Proteom, 1868 : 140422, 2020
19) Gentile F, et al : Nat Protoc, 17 : 672-697, 2022
20) Shimizu H, et al : bioRxiv, doi : 10.1101/2021.09.25.461785, 2021
21) Stokes JM, et al : Cell, 180 : 688-702.e13, 2020
22) Jayatunga MKP, et al : Nat Rev Drug Discov, 21 : 175-176, 2022
23) Chuai G, et al : Genome Biol, 19 : 80, 2018
24) Wang D, et al : Nat Commun, 10 : 4284, 2019
25) Allen F, et al : Nat Biotechnol : doi : 10.1038/nbt.4317, 2018
26) Shen MW, et al : Nature, 563 : 646-651, 2018
27) Song M, et al : Nat Biotechnol, 38 : 1037-1043, 2020
28) Kim HK, et al : Nat Biotechnol, 39 : 198-206, 2021
29) Alley EC, et al : Nat Methods, 16 : 1315-1322, 2019

第2章 Google Colaboratory, Pandas, Matplotlib, NumPyの基礎

P.62 掲載の参考文献
1) 「Breast Cancer Gene Expression Profiles (METABRIC) 」, https://www.kaggle.com/datasets/raghadalharbi/breast-cancer-gene-expression-profiles-metabric, 2022年7月14日参照
2) Pereira B, et al : Nat Commun, 7 : 11479, 2016
3) 「Colaboratoyへようこそ」, https://colab.research.google.com, 2022年7月14日参照
4) Wes McKinney, 瀬戸山雅人 (訳), 小林儀匡 (訳), 滝口開資 (訳), 『Python によるデータ分析入門 第2版』, pp135-179, オライリー・ジャパン, 2018
5) 藤原幸一,『 スモールデータ解析と機械学習』, pp174-181, オーム社, 2022
6) 「matplotlib cheat sheet」, https://matplotlib.org/cheatsheets/cheatsheets.pdf, 2022年8月1日参照
7) 「matplotlib usage」, https://matplotlib.org/1.5.1/faq/usage_faq.html, 2022年7月16日参照
8) 「matplotlib.pyplot.hist」, https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.hist.html, 2022年7月16日参照
9) Vranic S, et al : Bosn J Basic Med Sci, 21 : 1-4, 2021
10) 丹後俊郎,『医学への統計学』, pp184-199, 朝倉書店, 2013
11) 「seaborn : statistical data visualization」, https://seaborn.pydata.org/#, 2022年8月1日参照
12) 杉山聡,『本質を捉えたデータ分析のための分析モデル入門』, pp372-377, ソシム, 2022
13) 「pandas-profiling」, https://github.com/ydataai/pandas-profil, 2022年8月2日参照
14) 康長秀生,『 医学論文の難解な統計手法が手に取るようにわかる本』, pp126-140, 金原出版, 2019
15) 「Python Datascience Handbook」, https://jakevdp.github.io/PythonDataScienceHandbook/index.html, 2022年7月10日参照
16) 「Qiita」, https://qiita.com, 2022年8月16日参照
17) 「Udemy」, https://www.udemy.com, 2022年8月16日参照

第3章 教師あり学習のためのデータ前処理

P.105 掲載の参考文献
1) McGettigan PA : Curr Opin Chem Biol, 17 : 4-11, 2013
2) Wang Z, et al : Nat Rev Genet, 10 : 57-63, 2009
3) Wang C, et al : Nat Biotechnol, 32 : 926-932, 2014
4) Fumagalli D, et al : BMC Genomics, 15 : 1008, 2014
5) 「Gene Expression Omnibus」https://www.ncbi.nlm.nih.gov/geo/
6) 「ArrayExpress」https://www.ebi.ac.uk/arrayexpress/
7) Lim HY, et al : Ann Surg Oncol, 20 : 3747-3753, 2013
8) 「GEOparse」https://geoparse.readthedocs.io/en/latest/introduction.html
9) 「NCBI Reference Seaquence Database (RefSeq) 」https://www.ncbi.nlm.nih.gov/refseq/
10) Tripathi V, et al : Oncogene, 38 : 3185-3200, 2019
11) Salzberg SL : BMC Biol, 16 : 94, 2018
12) 「PubMed」https://pubmed.ncbi.nlm.nih.gov/
13) 「NCBI Gene」https://www.ncbi.nlm.nih.gov/gene

第4章 scikit - learnを用いたトランスクリプトームデータの分類

P.139 掲載の参考文献
1) 「Optuna」https://www.preferred.jp/ja/projects/optuna/ (2022年9月25日確認)
2) 持橋大地, 大羽 成征,『ガウス過程と機械学習 (機械学習プロフェッショナルシリーズ) 』, 講談社, 2019
3) Sebastian Raschka, Vahid Mirjalili, 福島真太朗 (監修),『Python機械学習プログラミング 達人データサイエンティストによる理論と実践 (impress top gear) 』, インプレス, 2020
4) 「LightGBM」https://lightgbm.readthedocs.io/en/v3.3.2/

第5章 PyTorchを用いたトランスクリプトームデータの分類

P.193 掲載の参考文献
1) 「Optuna」https://www.preferred.jp/ja/projects/optuna/ (2022年9月25日確認)
2) 「PyTorchチュートリアル」https://yutaroogawa.github.io/pytorch_tutorials_jp/ (2022年8月15日確認)
3) 「ニューラルネットワーク 5. 誤差逆伝播法」https://www.youtube.com/watch?v=lctO5afCBmY&t=191s&ab_channel=%E4%B8%8A%E6%9D%89%E5%BE%B3%E7%85%A7 (2022年8月15日確認)
4) 赤石雅典,『最短コースでわかるPyTorch & 深層学習プログラミング』, 日経BP社, 2021
5) 「PyTorch Neural Network Classification」https://github.com/mrdbourke/pytorch-deep-learning/blob/main/02_Pytorch_classification.ipynb (2022年8月15日確認)
6) 「BCEWithLogitsLoss」https://pytorch.org/docs/stable/generated/torch.nn.BCEWithLogitsLoss.html (2022年9月25日確認)
7) 「Early Stopping for PyTorch」https://github.com/Bjarten/early-stopping-pytorch (2022年8月17日確認)
8) 「Optunaを用いたPyTorchにおけるハイパーパラメータチューニング」https://qiita.com/Yushi1958/items/cd22ade638f7e292e520 (2022年8月17日確認)
9) Grinsztajn L, et al : arXiv, 2207.08815, 2022. https://arxiv.org/abs/2207.08815

第6章 実践編 (1) : 生命科学・医歯学分野の画像を用いた機械学習

P.218 掲載の参考文献
1) Li Y, et al : Volumetric Medical Image Segmentation : A 3D Deep Coarse-to-Fine Framework and Its Adversarial Examples.「Deep learning and convolutional neural networks for medical imaging and clinical informatics」 (Lu L, et al, eds), pp69-91, Springer, 2019
2) National Library of Medicine「Malaria Screener」https://Ihncbc.nlm.nih.gov/LHC-research/LHCprojects/image-processing/malaria-screener.html (2022年9月26日閲覧)
3) 「Malaria Cell Images Dataset」, https://www.kaggle.com/datasets/iarunava/cell-images-fordetecting-malaria (2022年9月26日閲覧)
4) Ian Goodfellow, Yoshua Bengio, Aaron Courville, 岩澤有祐 (監訳), 鈴木雅大 (監訳), 中山浩太郎 (監訳), 松尾豊 (監訳) 『深層学習』, KADOKAWA, 2018
5) Srivastava N, et al : The Journal of Machine Learning Research, 15 : 1929-1958, 2014
6) Molnar, C「Interpretable machine learning」, 2020. https://christophm.github.io/interpretable-mlbook/ (2023年1月13日閲覧)
7) Tajbakhsh N, et al : IEEE Transactions on Medical Imaging, 35 : 1299-1312, 2016
8) Liu X, et al : Neurocomputing, 392 : 253-267, 2020
9) Al-Dhabyani W, et al : Data Brief, 28 : 104863, 2020
10) Ronneberger O, et al : U-Net : Convolutional networks for biomedical image segmentation.「International Conference on Medical Image Computing and Computer-Assisted Intervention」, pp234-241, Springer, 2015

第7章 実践編 (2) : 腫瘍特異的ネオ抗原の機械学習を用いた予測

P.240 掲載の参考文献
2) Hayashi S, et al : J Comput Biol, 26 : 923-937, 2019
3) Szolek A, et al : Bioinformatics, 30 : 3310-3316, 2014
4) Shukla SA, et al : Nat Biotechnol, 33 : 1152-1158, 2015
5) Hasegawa T, et al : Bioinformatics, 36 : 4813-4816, 2020
6) Reynisson B, et al : Nucleic Acids Res, 48 : W449-W454, 2020
7) O'Donnell TJ, et al : Cell Syst, 11 : 42-48.e7, 2020
8) Li G, et al : Brief Bioinform, 22 : doi : 10.1093/bib/bbab160, 2021
9) Ye Y, et al : BMC Bioinformatics, 22 : 7, 2021
10) Wu J, et al : Front Immunol, 10 : 2559, 2019
11) Hao Q, et al : Front Immunol, 12 : 682103, 2021

第8章 実践編 (3) : シングルセル解析とVAE

P.260 掲載の参考文献
1) Liu J, et al : Front Genet, 12 : 655536, 2021
2) Kingma, DP & Welling M : arXiv, 1312.6114, 2013
3) Raimundo F, et al : bioRxiv, doi : 10.1101/2021.02.04.429763, 2021
4) Lahnemann D, et al : Genome Biol, 21 : 31, 2020
5) Lotfollahi M, et al : Nat Methods, 16 : 715-721, 2019
6) Lotfollahi M, et al : Nat Biotechnol, 40 : 121-130, 2022
7) Gayoso A, et al : Nat Methods, 18 : 272-282, 2021
8) Lopez R, et al : Nat Methods, 15 : 1053-1058, 2018
11) 「Scampy」https://scanpy.readthedocs.io/en/stable/index.html#

第9章 実践編 (4) : エピジェネティクスを含む多階層の統合によるがん研究

P.286 掲載の参考文献
1) Lee SI, et al : Nat Commun, 9 : 42, 2018
2) Hasin Y, et al : Genome Biol, 18 : 83, 2017
3) Alkallas R, et al : Nat Cancer, 1 : 635-652, 2020
4) Wong M, et al : Nat Med, 26 : 1742-1753, 2020
5) Lee H, et al : Nat Neurosci, 24 : 1673-1685, 2021
6) Tanaka Y, et al : Nat Cancer, 2 : 962-977, 2021
7) Sammut SJ, et al : Nature, 601 : 623-629, 2022
8) Newell F, et al : Cancer Cell, 40 : 88-102.e7, 2022
9) Assum I, et al : Nat Commun, 13 : 441, 2022
10) Lehmann BD, et al : Nat Commun, 12 : 6276, 2021
11) Asada K, et al : Biomolecules, 10 : doi : 10.3390/biom10040524, 2020
12) Takahashi S, et al : Biomolecules, 10 : doi : 10.3390/biom10101460, 2020
13) Hamamoto R, et al : Biomolecules, 10 : doi : 10.3390/biom10010062, 2019
14) Preferred Networks 社「PyTorch コミュニティとの連携を強化」https://www.preferred.jp/ja/news/pr20200512/
15) Association for Computing Machinery「Fathers of the Deep Learning Revolution Receive ACM A.M. Turing Award」https://www.acm.org/media-center/2019/march/turing-award-2018
16) 『GENIUS MAKERS Google, Facebook, そして世界にAIをもたらした信念と情熱の物語』 (ケイド・メッツ/著, 小金輝彦/訳) CCCメディアハウス, 2021
17) Hinton GE & Salakhutdinov RR : Science, 313 : 504-507, 2006
18) Zhu Y, et al : Nat Methods, 11 : 599-600, 2014
19) Wei L, et al : Bioinformatics, 34 : 1615-1617, 2018
20) Preferred Networks社「オープンソースの汎用配列計算ライブラリ CuPy v9をリリース」https://www.preferred.jp/ja/news/pr20210422/

第10章 実践編 (5) : タンパク質の「言語」の法則を解き明かす アミノ酸配列からのタンパク質局在の予測

P.310 掲載の参考文献
1) Vaswani A, et al : arXiv, doi : 10.48550/arXiv.1706.03762, 2017
2) Devlin J, et al : arXiv, doi : 10.48550/arXiv.1810.04805, 2018
3) Ji Y, et al : Bioinformatics, doi : 10.1093/bioinformatics/btab083, 2021
4) Brandes N, et al : Bioinformatics, 38 : 2102-2110, 2022
5) Almagro Armenteros JJ, et al : Bioinformatics, 33 : 3387-3395, 2017
6) Elnaggar A, et al : IEEE Trans Pattern Anal. Mach. Intell, 44 : 7112-7127, 2022
7) Alley EC, et al : Nat Methods, 16 : 1315-1322, 2019

第11章 実践編 (6) : AI創薬へのはじめの一歩

P.363 掲載の参考文献
1) Delaney JS : J. Chem Inf Comput Sci, 44 : 1000-1005, 2004
2) Stokes JM, et al : Cell, 180 : 688-702.e13, 2020
3) Zhavoronkov A, et al : Nat Biotechnol, 37 : 1038-1040, 2019
4) Jayatunga MKP, et al : Nat Rev Drug Discov, 21 : 175-176, 2022

第12章 発展編 (1) : 機械学習を用いたアプタマー配列の解析と創薬

P.386 掲載の参考文献
1) Hamada M : Biochimie, 145 : 8-14, 2018
2) Iwano N, et al : Nat Comput Sci, 2 : 378-386, 2022

第13章 発展編 (2) : 機械学習によるマイクロバイオームと機能未知遺伝子の解析 メタゲノム・対偶遺伝学・近傍遺伝子解析

P.421 掲載の参考文献
1) Louca S, et al : PLoS Biol, 17 : e3000106, 2019
2) Marcy Y, et al : Proc Natl Acad Sci U S A, 104 : 11889-11894, 2007
3) Rinke C, et al : Nature, 499 : 431-437, 2013
4) Lok C : Nature, 522 : 270-273, 2015
6) 「Genome Taxonomy Database」https://gtdb.ecogenomic.org/
7) Vanni C, et al : Elife, 11 : doi : 10.7554/eLife.67667, 2022
8) Howe AC, et al : Proc Natl Acad Sci U S A, 111 : 4904-4909, 2014
10) Moss EL, et al : Nat Biotechnol, 38 : 701-707, 2020
12) Meyer F, et al : Nat Methods, 19 : 429-440, 2022
13) Kajitani R, et al : Nucleic Acids Res, 49 : e130, 2021
14) Sieber CMK, et al : Nat Microbiol, 3 : 836-843, 2018
16) Parks DH, et al : Genome Res, 25 : 1043-1055, 2015
17) Simao FA, et al : Bioinformatics, 31 : 3210-3212, 2015
18) 「NCBI BLAST」https://blast.ncbi.nlm.nih.gov/Blast.cgi
19) 「SILVA」https://www.arb-silva.de/
20) 「SILVA ACT」https://www.arb-silva.de/aligner/
21) Chaumeil PA, et al : Bioinformatics, 36 : 1925-1927, 2019
22) Williams TA, et al : Nat Ecol Evol, 4 : 138-147, 2020
23) Moody ERR, et al : Elife, 11 : e66695, 2022
24) Kumagai Y, et al : ISME J, 12 : 1329-1343, 2018
25) 松井 求 : JSBi Bioinformatics Review, 2 : 30-57, 2021
26) 「KEGG」https://www.genome.jp/kegg/kegg_ja.html
27) 「Database of Clusters of Orthologous Genes (COGs) 」https://www.ncbi.nlm.nih.gov/research/cog
28) Camacho C, et al : BMC Bioinformatics, 10 : 421, 2009
29) Buchfink B, et al : Nat Methods, 12 : 59-60, 2015
30) Steinegger M & Soding J : Nat Biotechnol, 35 : 1026-1028, 2017
31) Fitch WM : Trends Genet, 16 : 227-231, 2000
32) Huerta-Cepas J, et al : Nucleic Acids Res, 47 : D309-D314, 2019
33) Huerta-Cepas J, et al : Mol Biol Evol, 34 : 2115-2122, 2017
34) Cosentino S & Iwasaki W : Bioinformatics, 35 : 149-151, 2019
35) Finn RD, et al : Nucleic Acids Res, 39 : W29-W37, 2011
36) Finn RD, et al : Nucleic Acids Res, 44 : D279-D285, 2016
37) 岩崎渉 : 日本微生物生態学会誌, 37 : 3-13, 2022
38) Galperin MY & Koonin EV : Nat Biotechnol, 18 : 609-613, 2000
39) Brunner E & Munzel U : Biom J, 42 : 17-25, 2000
40) Storey JD & Tibshirani R : Proc Natl Acad Sci U S A, 100 : 9440-9445, 2003
41) 「qvalue」https://bioconductor.org/packages/release/bioc/html/qvalue.html
42) 「PypeR」https://sourceforge.net/projects/rinpy/
43) Rocha EP : Annu Rev Genet, 42 : 211-233, 2008
44) Bertelli C, et al : Brief Bioinform, 20 : 1685-1698, 2019
45) Doron S, et al : Science, 359 : doi : 10.1126/science.aar4120, 2018
46) Gao L, et al : Science, 369 : 1077-1084, 2020
47) 「iTOL」https://itol.embl.de/
48) Hiraoka S, et al : Nat Commun, 10 : 159, 2019
49) Liu L, et al : Microbiome, 9 : 205, 2021
50) Rinke C, et al : Nat Protoc, 9 : 1038-1048, 2014
51) Arikawa K, et al : Microbiome, 9 : 202, 2021
53) Bileschi ML, et al : Nat Biotechnol, 40 : 932-937, 2022

第14章 終章 : さらなる学習のためのリソース

P.436 掲載の参考文献
1) Yamaguchi S, et al : PLoS Comput Biol, 14 : e1006122, 2018
2) Zhavoronkov A, et al : Nat Biotechnol, 37 : 1038-1040, 2019
3) Komorowski M, et al : Nat Med, 24 : 1716-1720, 2018
4) Fan K & Zhang Y : Front Genet, 11 : 807, 2020
5) Kang C, et al : Brief Bioinform, 23 : bbab513, 2022
6) Fradkin P, et al : Bioinformatics, 38 : i84-i91, 2022
7) Shimizu H, et al : bioRxiv : doi : 10.1101/2021.09.25.461785, 2021
8) Du ZH, et al : Brief Bioinform, 23 : bbac148, 2022
9) Yin C, et al : Front Genet, 13 : 884028, 2022
10) Seninge L, et al : Nat Commun, 12 : 5684, 2021
11) Tsutsumi M, et al : bioRxiv : doi : 10.1101/2022.05.18.492406, 2022
12) Zhang A, et al : Nat Biomed Eng, 6 : 1330-1345, 2022
13) Cao ND, et al : arXiv : doi : 10.48550/arXiv.1805.11973, 2018
14) Lotfollahi M, et al : bioRxiv : doi : 10.1101/2021.04.14.439903, 2021
15) Warnat-Herresthal S, et al : Nature, 594 : 265-270, 2021
16) Schultze JL, et al : Nat Rev Immunol, 22 : 401-403, 2022
17) Zhu W, et al : Patterns (N Y), 3 : 100521, 2022

最近チェックした商品履歴

Loading...