Deep learning for protein bioinformatics and medicine

發布者:文明辦發布時間:2019-06-27瀏覽次數:221


主講人:李敏 中南大學教授 博士生導師


時間:2019年6月29日13:40


地點:三號樓332會議廳


舉辦單位:數理學院


主講人介紹:中南大學計算機學院教授、博士生導師、副院長。CCF 生物信息學專業委員會首批委員、中國人工智能學會-生物信息學與人工生命專業委員會常務委員、ACM SIGBIO  China 秘書長。主要從事生物信息學與數據挖掘研究,在Bioinformatics、IEEE/ACM Transactions on  Computational Biology and Bioinformatics等上發表SCI期刊論文80余篇,論文google  scholar總引用3500余次,h指數29,獲國家授權發明專利10項。擔任ISBRA2017、ICPCSEE2017等國際會議的程序委員會主席,是國際期刊Current  Protein & Peptide Science、IJDMB、IJBRA、Interdisciplinary Sciences:  Computational Life Sciences編委及IEEE/ACM TCBB、Neurocomputing、Complexity、BMC  Bioinformatics、BMC Genomics等的客座編委。  2011年被確定為湖南省青年骨干教師培養對象,2012年獲得教育部新世紀優秀人才資助,主持國家自然科學基金重點項目、優秀青年項目、面上和青年項目各一項。獲教育部高等學校科學研究優秀成果獎(自然科學獎)二等獎一項(排名第2)。  


內容介紹:Mining useful information from biomedical data is not only the crucial of life  science, but also the foundation of understanding the development of diseases.  In recent years, a lot of biomedical data have been accumulated from omics  technologies, imaging, electronic health records, and so on. Meanwhile, with the  development of big data and hardware, deep learning techniques have been  successfully used in various fields such as computer version, speech  recognition, and natural language processing. Considering their excellent  performance, we implemented some deep learning models to tackle biomedical data.  In protein bioinformatics, we focus on protein-protein interaction sites  prediction, essential protein prediction, protein function prediction, and  drug-target prediction. We built some deep learning models for extract local and  global features of protein sequences; then combined these features to improve  the predictive performance. For clinic data, we focus on electronic health  records classification and disease prediction. We developed some deep learning  models which capture the features of electronic health records and disease; then  used these features to conduct study. We hope that our studies can promote the  application of deep learning in biomedical data analysis, and provide useful  tools for solving the key problems in life science by using artificial  intelligence techniques.

吉林快3 嵩明县 | 宜宾市 | 黔西县 | 曲麻莱县 | 松潘县 | 炉霍县 | 濉溪县 | 高密市 | 板桥市 | 清水县 | 惠安县 | 阆中市 | 赤峰市 | 正宁县 | 额尔古纳市 | 朝阳县 | 江孜县 | 清水河县 | 岳普湖县 | 连南 | 武陟县 | 涪陵区 | 孝昌县 | 丹东市 | 鄂托克前旗 | 濮阳县 | 莲花县 | 萍乡市 | 泰和县 | 莫力 | 萍乡市 | 梨树县 | 北京市 | 吉林市 | 温州市 | 于田县 | 浪卡子县 | 柳林县 | 陇南市 | 新竹市 | 合川市 | 勃利县 | 墨脱县 | 阿坝县 | 汝州市 | 海林市 | 和硕县 | 同江市 | 靖宇县 | 南陵县 | 剑河县 | 山东 | 昭觉县 | 肃南 | 龙门县 | 青冈县 | 景东 | 台州市 | 宁国市 | 仪征市 | 曲麻莱县 | 牙克石市 | 东兴市 | 巴彦县 | 磴口县 | 岳池县 | 武义县 | 永寿县 | 巴彦淖尔市 | 保靖县 | 平罗县 | 贵州省 | 英德市 | 定边县 | 措勤县 | 临颍县 | 司法 | 大连市 | 庆阳市 | 涡阳县 | 邛崃市 | 洪泽县 | 大渡口区 | 城口县 | 秦安县 | 隆化县 | 博爱县 | 芜湖县 | 桐庐县 | 泰兴市 | 黎川县 | 乌拉特中旗 | 五常市 | 巴彦淖尔市 | 土默特左旗 | 沂源县 | 布尔津县 | 屏南县 | 林周县 | 望城县 | 南陵县 | 东乡县 | 喜德县 | 大姚县 | 专栏 | 璧山县 | 龙陵县 | 庆云县 | 灵宝市 | 开原市 | 宜兰市 | 济南市 | 元江 | 永年县 | 汉沽区 | 洛扎县 | 玉山县 | 万州区 | 高碑店市 | 乐陵市 | 东丰县 | 都昌县 | 镇远县 | 禄丰县 | 龙里县 | 平果县 | 安多县 | 安阳县 | 桐庐县 | 磴口县 | 大英县 | 辽中县 | 隆子县 | 平定县 | 临海市 | 宝兴县 | 陈巴尔虎旗 | 泸西县 | 搜索 | 德江县 | 康马县 | 苍溪县 | 南雄市 | 汕尾市 | 茂名市 | 延津县 | 满城县 | 屯留县 | 靖州 | 赣榆县 | 富平县 | 雷波县 | 九台市 | 百色市 | 循化 | 邛崃市 | 二连浩特市 | 上思县 | 云安县 | 当阳市 | 枣阳市 | 荥阳市 | 沂南县 | 辉南县 | 定西市 | 阳信县 | 清涧县 | 泰宁县 | 琼海市 | 阳泉市 | 通化市 | 浦东新区 | 博爱县 | 自贡市 | 巧家县 | 沐川县 | 恩平市 | 蒙阴县 | 方山县 | 霍城县 | 三亚市 | 西畴县 | 利川市 | 多伦县 | 博罗县 | 清河县 | 镇赉县 | 冀州市 | 石台县 | 常宁市 | 资阳市 | 合水县 | 巫山县 | 札达县 | 通海县 | 瓮安县 | 东安县 | 云龙县 | 团风县 | 临西县 | 江津市 | 崇明县 | 旺苍县 | 商都县 | 三穗县 | 长汀县 | 博罗县 | 两当县 | 隆林 | 大同市 | 密云县 | 东乡 | 镇雄县 | 芒康县 | 武胜县 | 望江县 | 涿州市 | 阿坝 | 化州市 | 石家庄市 | 湟中县 | 绍兴县 | 林周县 | 云林县 | 永和县 | 巩义市 | 曲水县 | 仲巴县 | 贡觉县 | 越西县 | 盐亭县 | 明溪县 | 宿迁市 | 乾安县 | 南投县 | 禹城市 | 安新县 | 平南县 | 凌海市 | 周口市 | 边坝县 | 葫芦岛市 | 炎陵县 | 德江县 | 印江 | 涞水县 | 怀宁县 | 克什克腾旗 | 临安市 | 葫芦岛市 | 偏关县 |