《北京理工大学教育基金会·教授文库：生物信息处理技术与方法》共分8章，主要内容包括生物信息处理知识基础、数据处理方法基础、序列比对方法、系统发生树构建方法、基因芯片数据处理方法、RNA结构预测方法、蛋白质结构预测方法、生物分子网络构建方法等。
　　《北京理工大学教育基金会·教授文库：生物信息处理技术与方法》可用作计算机科学与技术、生命信息工程、软件工程、通信与信息系统等相关学科、专业的教材，也可作为参考书直接使用，同时也可供科研人员参考和有兴趣者自学使用。

　　罗森林，男，汉族，1968年2月出生，博士（后），教授，博导。1998年获得北京理工大学电子工程系通信与电子系统博士学位；2000年10月于中国科学院计算技术研究所计算机科学博士后流动站出站后，到北京理工大学工作至今。现为北京理工大学信息系统及安全对抗实验中心主任，学科、专业责任教授，教育部特色专业、北京市特色专业、国防特色专业、工业和信息化部重点专业建设负责人。
　　科研方向为网络安全、数据挖掘、文本安全和媒体安全，承担省部级以上科研项目三十余项。出版著作和教材9部，其中国家级规划教材3部，北京市精品教材4部。获国家级和省部级科研、教学成果奖及质量工程项目二十余项。

第1章 绪论
1.1 产生背景和意义
1.2 知识基础
1.3 发展简史和现状
1.4 数据库及技术工具
1.5 技术难点与发展趋势
1.6 本章小结
思考题


第2章 数据处理方法基础
2.1 引言
2.2 概率论基础
2.3 数据预处理
2.4 数据分类分析
2.5 数据聚类分析
2.6 关联规则发现
2.7 隐马尔科夫模型
2.8 数据处理效果评价
2.9 高维数据处理
2.10 本章小结
思考题


第3章 序列比对方法
3.1 引言
3.2 序列比对知识基础
3.3 主要技术方法及分析
3.4 双序列比对
3.5 多序列比对
3.6 应用实例分析
3.7 本章小结
思考题


第4章 系统发生树构建方法
4.1 引言
4.2 系统发生树知识基础
4.3 主要技术方法及分析
4.4 基于距离的构建方法
4.5 基于离散特征的构建方法
4.6 Quartet方法
4.7 应用实例分析
4.8 本章小结
思考题


第5章 基因芯片数据处理方法
5.1 引言
5.2 基因芯片知识基础
5.3 主要技术方法及分析
5.4 基因芯片数据预处理
5.5 基因芯片数据聚类分析
5.6 基因芯片数据分类分析
5.7 应用实例分析
5.8 本章小结
思考题


第6章 RNA结构预测方法
6.1 引言
6.2 RNA知识基础
6.3 主要技术方法及分析
6.4 比较序列分析方法
6.5 动态规划算法
6.6 组合优化算法
6.7 启发式算法
6.8 应用实例分析
6.9 本章小结
思考题


第7章 蛋白质结构预测方法
7.1 引言
7.2 蛋白质结构知识基础
7.3 主要技术方法及分析
7.4 蛋白质二级结构预测
7.5 蛋白质三级结构预测
7.6 应用实例分析
7.7 本章小结
思考题


第8章 生物分子网络构建方法
8.1 引言
8.2 生物分子网络知识基础
8.3 主要技术方法及分析
8.4 基因调控网络构建方法
8.5 蛋白质互作网络构建方法
8.6 应用实例分析
8.7 本章小结
思考题
参考文献

　　《北京理工大学教育基金会·教授文库：生物信息处理技术与方法》：
　　（2）空空间现象
　　以正态分布的数据为例，一个正态分布可以用期望值L和标准差R来表示。数据点与期望值之间的距离服从高斯分布，但与期望点的相对方位是随机选取的。应该注意的是，相对于一个点的可能的方向的数目，也是随着维数的增大而呈指数级增长。这样一来，数据空间中的其他数据与中心点之间的距离虽然仍然服从同样的分布，但数据点之间的距离也还会随着维数的增大而增加。如果考虑数据集的密度，就会发现，虽然可能没有一个点离中心点的距离很近，但在中心点还是会出现一个最大值。这种在高维空间中，在空区域中，点的密度可能会很高的现象即被称为“空空间现象”。
　　（3）维灾
　　Bellman第一次提出了“维灾”这一术语。它最初的含义是，不可能在一个离散的多维网格上用蛮力搜索去优化一个有着很多变量的函数。这是因为网格的数目会随着维数也就是变量数目的增长呈指数级增长。随着时间的推移，“维灾”这一术语也用来泛指在数据分析中遇到的由于变量（属性）过多而引起的所有问题。这些问题在信息检索领域主要表现在两个方面：一方面，随着维数的升高，索引结构的修剪效率迅速下降，当维数增加到一定数量时，采用索引结构还不如顺序扫描；另一方面，在高维空间中，由于查询点到其最近邻和最远邻在很多情况下几乎是等距离的，最邻近的概念常常会失去意义。
　　针对高维数据的特点，主要从以下几个方面对高维数据进行分析：
　　（1）高维空间中的距离函数或相似性度量函数
　　距离函数和相似性度量函数在很多数据挖掘算法中扮演着非常重要的角色，常常用来衡量对象之间的差异程度和相似程度。由于“维灾”与传统方法中采用Lk范数作为距离函数有关，因此，通过重新定义合适的距离函数或相似性度量函数可以避开“维灾”的影响。