基于机器学习的药物—靶标相互作用预测研究

发布时间：2023-10-02 06:54

　　药物靶标识别是现代新药研发的关键,它在药物毒副作用研究、老药新用以及个体化治疗中都起着十分重要的作用。然而,受到精度、通量和成本的制约,基于生物实验的传统药物靶标识别方法通常难以展开。与此同时,随着信息科学的迅猛发展,机器学习、模式识别、数据挖掘等智能计算技术在生物计算领域得到了广泛的应用。在这些技术的推动下,计算机辅助的药物-靶标相互作用预测方法作为一种快速而准确的药物靶标识别手段,受到越来越多研究者的重视。它能够利用计算机的模拟、运算和预测技术研究药物化合物分子与靶标蛋白质之间的关系,指导合成新的药物或修饰已知的药物结构,从而缩短新药研制时间,减少新药研制的盲目性并降低研发成本。因此,作为一种高效而低成本的方法,基于智能计算的药物-靶标相互作用预测对于靶标蛋白确认、靶向性药物开发以及药物-靶标相互作用网络构建都具有十分重要的意义。本文基于药物化合物分子指纹信息和蛋白质氨基酸序列信息,提出了一套药物化合物和蛋白质序列数值化表征、特征信息客观化抽取、药物-靶标相互作用集成化预测的方法体系,具体研究内容如下:1.对药物化合物和蛋白质序列信息数值化表征进行研究。药物化合物分子结构信息和蛋白...

【文章页数】：129 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 存在的关键问题及研究的重点
    1.4 研究内容与技术路线
    1.5 本文组织结构
2 药物-靶标相互作用预测基础理论
    2.1 新药研发流程
    2.2 深度学习概述
    2.3 药物靶标数据资源
    2.4 性能评价指标
    2.5 本章小结
3 药物化合物分子与蛋白质氨基酸序列数值化表征构建方法研究
    3.1 药物化合物分子的数值化表征方法
    3.2 蛋白质氨基酸序列的数值化表征方法
    3.3 实验及分析
    3.4 本章小结
4 基于机器学习的药物-靶标特征提取算法研究
    4.1 引言
    4.2 基于特征融合的深度神经网络算法设计
    4.3 药物-靶标特征向量对称编码
    4.4 实验及分析
    4.5 本章小结
5 基于权重选择的旋转森林分类器模型研究
    5.1 引言
    5.2 旋转森林算法
    5.3 基于权重选择的旋转森林算法
    5.4 实验及分析
    5.5 本章小结
6 基于集成学习系统的药物-靶标相互作用预测研究
    6.1 引言
    6.2 集成学习系统成功的原因
    6.3 集成学习系统构建的方法
    6.4 药物-靶标相互作用预测集成学习系统构建
    6.5 实验及分析
    6.6 本章小结
7 结论与展望
    7.1 主要研究成果
    7.2 进一步研究的工作
参考文献
作者简历
学位论文数据集



本文编号：3850322