| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 计算机辅助药物设计的发展过程及现状 | 第11-13页 |
| 1.3 算法的优化 | 第13-14页 |
| 1.4 本文主要研究内容及组织结构 | 第14-15页 |
| 第二章 分子对接技术 | 第15-29页 |
| 2.1 概述 | 第15-16页 |
| 2.2 分子对接原理 | 第16-18页 |
| 2.2.1 药物设计中分子对接原理的概述 | 第16-17页 |
| 2.2.2 分子对接表达模式 | 第17页 |
| 2.2.3 分子对接方法研究 | 第17-18页 |
| 2.3 分子对接中研究的关键点 | 第18-24页 |
| 2.3.1 药物分子对接中的构象搜索策略 | 第18-21页 |
| 2.3.2 打分函数 | 第21-23页 |
| 2.3.3 蛋白质柔性对接策略 | 第23-24页 |
| 2.4 典型的分子对接软件 | 第24-25页 |
| 2.5 分子对接在计算机辅助药物设计中的应用 | 第25-28页 |
| 2.5.1 AmpC β-内酰胺酶抑制剂 | 第26页 |
| 2.5.2 新型乙酰胆碱酯酶抑制剂Corydaline的开环衍生物 | 第26-27页 |
| 2.5.3 胸苷酸合成酶抑制剂 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 各种优化算法在分子对接中的研究 | 第29-45页 |
| 3.1 最优化理论概述 | 第29页 |
| 3.2 遗传算法 | 第29-34页 |
| 3.2.1 遗传算法原理概述 | 第29-30页 |
| 3.2.2 遗传算法的实现 | 第30-34页 |
| 3.3 人工神经网络算法 | 第34-39页 |
| 3.3.1 人工神经网络系统概述 | 第34页 |
| 3.3.2 人工神经网络基本原理 | 第34-37页 |
| 3.3.3 BP神经网络算法 | 第37-39页 |
| 3.4 粒子群算法 | 第39-42页 |
| 3.4.1 概述 | 第39-40页 |
| 3.4.2 粒子群算法原理 | 第40-42页 |
| 3.5 蚁群算法 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 蚁群算法及其优化改进算法 | 第45-64页 |
| 4.1 蚂蚁觅食过程信息系统概述 | 第45-47页 |
| 4.2 改进的蚁群算法 | 第47-56页 |
| 4.2.1 带精英策略的蚂蚁系统 | 第47-48页 |
| 4.2.2 基于排序的蚂蚁系统 | 第48页 |
| 4.2.3 蚁群系统 | 第48-52页 |
| 4.2.4 最大-最小蚂蚁系统 | 第52-55页 |
| 4.2.5 各种蚁群算法的比较 | 第55-56页 |
| 4.3 基于多重蚁群的优化算法 | 第56-63页 |
| 4.3.1 ACO算法 | 第56-59页 |
| 4.3.2 ACOMAC算法 | 第59-61页 |
| 4.3.3 算法仿真实验结果分析 | 第61-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 基于蚁群算法仿真实验及结果分析 | 第64-70页 |
| 5.1 算法实现与运行环境 | 第64-65页 |
| 5.2 PLANTS参数优化以及验证 | 第65-68页 |
| 5.3 虚拟筛选 | 第68-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 全文总结与展望 | 第70-72页 |
| 6.1 全文总结 | 第70-71页 |
| 6.2 对未来的展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |