生物技术专业毕业论文报告

生物制药的研究与发展(生物技术论文)摘 要：生物技术已经深入中药研究和开发的各个领域，在科技高速发展的现代社会里，中药要想存在就必须实行现代化，因此生物制药在制药行业就显得尤为重要，而发展生物制药将会形成一个大的趋势关键词：生物制药；研究；发展Abstract：Biotechnology has been widely used in the research and development of chinese medicine on all side.In the high development of sciences,especially modern society,only by being modern,can the chinese medcine exits.So the biology pharmacy becomes more importment in the pharmsncy industry and developing biology phsrmsry will be a big trend.Key words：biology phsrmsry; rearch; development

我最近刚好写过一篇这样的文章，不过字数没那么多，希望可以让过关！ 生物与软件 关键词 ：先进、互补性、前景、综合国力、造福人类 摘要 ：生物与电子计算机技术的融合是时代的趋势，将开创光明的未来，造福人类。 正文 ： 事物正确的发展趋势是与当代最主流的先进事物相融合，从而达到普及，使整个人类向前跨步。 自从比尔·盖茨建立了微软帝国，开创了个人电脑的时代，世界的全面信息化就变的不可避免。而生物学作为现今最热门及将来最有前途的科学，将不可避免的与电子计算机科学相互融合，互取其长。 于1984年7月在联邦德国西柏林召开的第14届国际植物学大会总结了植物学总的三点发展趋势，其中就有“以电子计算机为手段的数学模拟方面的研究和系统分析方面的研究”。生物软件初现雏形。 两者的互补性 ： 现在计算机操作系统及各种软件的运行都是按照一定的程序进行的，而人体的各种新陈代谢也是按照既定的各种程序进行的。而且，就现在来说，人类体内的调控系统，即人类自身具有的在亿万年进化中逐渐接近完美的程序，比起现在的计算机内的程序是有过之而无不及的。它具有更大的可调控性等优势。人类以后计算机的研制要借鉴生物自身具有的各种调控程序，而这种方面的研究也已经开始，如生物计算机，及对人体大脑的解密而正在研制的智能计算机。 相比之下，人类生物学的研究也离不开电子计算机技术的发展。例如现在生物学的发展已经进入分子生物学时代，而由于电子计算机技术的发展，很多生物科学研究方面的软件也应运而生，它极大地减少了科学家及生物公司技术工人的工作量，提高了效率，增加了收益。例如在基因工程中就会常用到很多生物软件，现简介一种： Omiga 2.0：主要功能：编辑、浏览、蛋白质或核酸序列，分析序列组成。用Clustal. W进行同源序列比较，发现同源区。实现了核酸序列与其互补链之间的转化，序列的拷贝、删 找核酸限制性酶切位点、基元（Motif）及开放阅读框（ORF），设计并评估PCR、测序引物。查找蛋白质解蛋白位点（Proteolytic Sites）、基元、二级结构等。查寻结果可以以图谱及表格的显示，表格设有多种分类显示形式。利用Mange快捷键，用户可以向限制性内切酶、蛋白质或核酸基元、开放阅读框及蛋白位点等数据库中添加或移去某些信息。每一数据库中都设有多种查寻参数，可供选择使用。用户也可以添加、编辑或自定义某些查寻参数。可从MacVectorTM、Wisconsin PackageTM等数据库中输入或输出序列。另外，该软件还提供了一个很有特色的类似于核酸限制酶分析的蛋白分析，对蛋白进行有关的多肽酶处理后产生多肽片段。 实际上，大部分对核酸蛋白的序列分析功能，在Omiga 2.0中都能找到；而且界面非常友好。Omiga作为强大的蛋白质、核酸分析软件，它还兼有引物设计的功能。 当然，Omiga还有很多同类软件。如日立软件公司（Hitachi Sofeware Engineering Co.,Ltd.）97年推出的DNASIS 2.5，加拿大的Premier公司开发的Primer Premier 5.0等。 发展前景 ： 生物软件具有很有的兼容性，可以支持现在的操作系统。 生物软件、芯片具有专利性，是典型的知识经济时代的产物。具有专利性的物品，出卖的是智力，是现在具有知识武装的大学生创业的重要方面。 我们来看一组关于生物软件产品的售价： 基因芯片综合分析软件ArrayVision 7.0 ：售价6900美元 供应BI-2000医学图像分析系统 48000元（人民币）/套 显微镜自动平台系统 5800元（人民币）/套 Paup 一种功能强大的商业版系统进化分析软件，价值数千美金。 由此我们可以看出生物软件是一个相当大的产业，新的产业造就新的财富，新的财富将由新人来获得，而具有生物与电子计算机技术的新一代大学生，无疑将充当这群去创造新财富的新人。 意义及作用 ： 当今世界，国与国之间的竞争，不仅是军事实力的竞争，更是综合国力的竞争。而科学技术的竞争在当今日益知识化信息化的世界显得尤为重要，因而也就成为综合国力竞争中极其重要的方面。生物科学作为现今最热门及将来最有前途的科学，其重要性更是不言而喻。再有，现代社会中，电子计算机已经逐渐占据了主流地位。所以，生物与计算机的融合是时代的必然。而生物软件就是这两者最直接的结合。所以，生物软件的发展程度是一个国家综合国力的体现，谁如果在这方面领先于世界，那必将引领时代的潮流。反之，谁如果在这方面掉以轻心，将来必受制于人。 在当今世界日益重视身体健康的情景下，生物与计算机的结合必将造福人类。 由此观之，生物软件的发展是时代的趋势，而我们这一代，将是这趋势的创造者。我们大有前途。

随着计算技术和生物技术的进步,当前生物医学文献正在以前所 未有的速度增长。这些文献中蕴含着最新的研究进展和丰富的生物医学知识,对于生物医学研究者具有重要意义。然而数以千万计的文献使得研究者追踪和整理自己 需要的知识和信息变得越来越困难。文本挖掘技术可以解决这一问题,帮助生物医学研究者提高从文献中获取知识和信息的效率。因此针对生物医学文献的文本挖掘 研究具有重要的应用价值。判别式模型是一类直接利用特征来预测目标变量的发生概率的机器学习模型,本文中主要用到的判别式模型有最大熵模型和条件随机域模 型。相对于产生式模型,判别式模型降低了特征之间的独立性假设的要求,并且与很多文本挖掘任务的需求相一致,因而更有可能取得好的效果。本文主要研究如何 利用判别式模型来解决生物医学文献挖掘中的问题。具体地,我们研究了生物医学文本挖掘中的三个任务:生物医学名实体识别、生物医学实体规范化以及生物医学 语义关系抽取。在这3任务中,第二个任务是第一个任务在语义处理上的延伸,前两个任务是第三个任务的基础。本文的主要内容包含以下4个方面。生物医学名实 体识别的目标是确定一个给定的文本集合内的某一类型的实体的名字的所有实例,它是进行深层次文本挖掘的必要步骤之一。本文在考察了生物医学领域实体识别的 特点和难点,分析了目前已有的生物医学实体识别方法的优缺点的基础上,提出了利用条件随机域模型结合丰富特征集来进行生物医学实体识别的方法。这些特征包 括:构词法特征、上下文特征和句法特征。其中,浅层句法特征是首次被引入到条件随机域模型中,同时用来进行实体的边界检测和类别判断。实验表明,这一特征 可以有效地提高名实体识别的效果。有监督的机器学习方法需要大规模的标注语料。大量的电子文献使得在生物医学领域获取未标记的语料已相当容易,但是对语料 进行标注仍然是一件昂贵的工作。针对在生物医学名实体识别中有监督学习所需的大规模训练语料比较难以获取的问题,本文提出了基于最大熵模型的协同训练的半 监督学习方法。该方法可以利用大量的未标注语料来提高在较少的标注语料的基础上学习到的分类器的名实体识别性能。为了进一步提高半监督学习的效果,本文将 主动学习引入到半监督学习的过程中。实验表明,基于最大熵模型的协同训练方法可以有效地提高初始分类器的识别性能。灵活的生物医学实体命名方式使得生物医 学实体具有严重的歧义。这已成为对生物医学文献进行深层自动文本挖掘的主要障碍之一。生物医学实体规范化的提出就是为了解决这一问题。生物医学实体规范化 就是把生物医学文献中表达同一概念的不同变体映射到统一的概念标识符。本文提出了一种用于生物医学实体规范化的多层歧义消解框架。实体规范化过程中不同阶 段有不同的歧义情形,在本文提出的框架中,针对这些情形采用了有针对性的解决策略,包括:基于词典的实体名字检测,基于机器学习方法的候选选择以及基于知 识的歧义消解。在BioCreAtIvE2006基因名字规范化任务的测试集上的实验表明本文提出的框架可以有效地解决规范化过程中的各种歧义。生物医学 语义关系抽取是生物医学文本挖掘的主要研究内容之一,是从无结构的生物医学文献中抽取出生物医学知识的重要手段。在实际应用中,生物医学语义关系的定义有 宽泛和具体之分。本文将宽泛定义和具体定义的生物医学语义关系抽取分别看作二分类和多分类问题,提出基于最大熵模型的生物医学语义关系抽取的方法。针对不 区分类别的蛋白质相互作用这种宽泛定义的关系抽取,提出了一种基于最大熵的二阶段蛋白质相互作用关系抽取方法。针对多类别的蛋白质相互作用这种具体定义的 关系抽取,提出使用最大熵模型结合词特征的抽取方法,该方法在一个具有10种蛋白质相互作用类别的数据集上取得了73.4%的总体精确率。同样的方法应用 到疾病与治疗方式关系抽取任务中,也取得了很好的实验结果。此外,本文还通过理论分析和实验对比,从理论和实践两个方面说明了判别式模型比产生式模型更适 合生物医学语义关系抽取问题。参考文献 [1] 王浩畅,赵铁军. 生物医学文本挖掘技术的研究与进展[J]. 中文信息学报. 2008(03) [2] 于中华,陈蓉,胡俊锋,陈源. 基于加权投票K—近邻法的生物医学缩略语消歧[J]. 中文信息学报. 2008(02) [3] 龙军,殷建平,祝恩,赵文涛. 主动学习研究综述[J]. 计算机研究与发展. 2008(S1)