关键词

1. 肿瘤因子
2. 细胞因子
3. 信号转导与调控
4. Wolfram Language
5. Wolfram Develop Platform
6. Cloud Display
7. 网络构建
8. 模式识别
9. 神经网络[1]
10. 神经网络算法[2]
11. 细胞因子算法

本文

题外话

在开始本文的主要内容之前，首先来简单谈一谈这门课给我的一些改变，这些改变在我自己看来是非常明显的。

1. 传统的思维在这个瞬息万变的世界里可能会被淘汰
2. 尝试去改变自己的思维习惯，开始由被动学习转向主动学习
3. 学习观念上的转变，学习已经不只是局限在一个狭小的老师，笔记和题目的狭小空间里，互联网以及计算机技术的飞速进步正在不断地刷新我们的世界观和人生观
4. 开始注重群体学习的重要性，开始体会到讨论的作用
5. 开始体会到语言的重要性并且开始应用
6. 不再拒绝机器的强大之处，开始以一个全新的视角看待计算机
7. 懂得了更多的学术规范，特别是学术诚信的重要性
8. 开始懂得组织的基本原理，学会可一些展示的小技巧，特别是如何作为一个学者展示自己的成果

个人逻辑模型

File:逻辑模型.pdf

600px

效果

细胞因子之间构成了一个复杂的关系网络，它们之间的调节关系错综复杂，它们之间的调控关系非常复杂，于此同时也有很高的参考价值。通过Wolfram Mathematica能够合理地绘制关系图，而Wolfram Language中的超级函数能够帮助我们高效率地研究调控模式。

神经网络算法是一项根据人脑的结构和思维方式构建的一种算法，试图使得计算机拥有逻辑性的思维[1]。神经算法虽然起步较晚，发展较慢，但是在某些方面，它展示出了强大的威力。类似的，细胞因子之间的网络错综复杂，但是却能够高度有序地传递信息，这表明其中一定存在某种模式，这种模式能够帮助细胞快速有效地传递信息。通过对细胞中的肿瘤调控因子网络的研究能够帮助我们提炼出一种新的算法模式。

160px 160px 160px

输出

输出的结果应该是一个Wolfram Mathematica程序或者展示项目，这个程序应该是有动态效果的，并且能够根据效果过滤信息（参考 Hepatocellular Carcinoma Gene-Protein Networks [3])

Wolfram作为一个兼容性非常强的平台，其语言的简洁性能够让我们很方便地整合各形式的信息，绘制出关系网络图，其中的超级函数能够让我们很容易地识别其中的模式。在对肿瘤因子调节关系的研究的过程中，我们需要调用许多数据库，而Wolfram mathematica则恰恰满足了这一需求。

活动

输入

背景

目标

外部因素

关键人物

关键技术

关键组织和制度

参考文献

1. Artificial Neural Networks Method and Applications in Bio-/Neuroinformatics[M]. Petia Koprinkova-Hristova, Valeri Mladenov, Nikola K. Kasabov. ISBN: 978-3-319-09902-6 (Print) 978-3-319-09903-3 (Online)