生物数据挖掘中的深度学习，诺丁汉特伦特大学

最近数据采集工具的技术进步使生命科学家能够从不同的生物应用领域获取多模式数据。大致分为三种类型（即序列，图像和信号），这些数据数量巨大且性质复杂。挖掘如此大量的数据用于模式识别是一项巨大的挑战，需要复杂的数据密集型机器学习技术。基于人工神经网络的学习系统以其模式识别能力而闻名，最近它们的深度架构-称为深度学习（DL）-已成功应用于解决许多复杂的模式识别问题。本文调研了DL在识别生物数据模式中的作用，提供了-DL在生物序列，图像和信号数据中的应用；这些数据的开放获取源的概述；适用于这些数据的开源DL工具的描述；并从定性和定量的角度比较这些工具。最后，它概述了挖掘生物数据的一些开放式研究挑战，并提出了一些可能的未来前景。