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
【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
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3850322.html