基于机器学习的药物蛋白虚拟筛选方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究的目的和意义 | 第11-13页 |
| 1.2 化学信息学 | 第13-14页 |
| 1.2.1 化学信息学的概念 | 第13页 |
| 1.2.2 化学信息学的主要研究内容 | 第13-14页 |
| 1.3 虚拟筛选的研究意义和主要方法 | 第14-15页 |
| 1.3.1 虚拟筛选的概念和意义 | 第14页 |
| 1.3.2 虚拟筛选使用的方法 | 第14-15页 |
| 1.4 虚拟筛选研究状况 | 第15-17页 |
| 1.4.1 国外研究现状 | 第15-16页 |
| 1.4.2 国内研究现状 | 第16-17页 |
| 1.5 本课题研究的主要内容 | 第17-19页 |
| 1.5.1 课题来源 | 第17页 |
| 1.5.2 课题的主要研究内容 | 第17-19页 |
| 第2章 分子对接和蛋白质-配体交互指纹 | 第19-32页 |
| 2.1 分子对接及其理论基础 | 第19-23页 |
| 2.1.1 分子对接原理 | 第19-20页 |
| 2.1.2 分子对接分类 | 第20-21页 |
| 2.1.3 打分函数 | 第21-22页 |
| 2.1.4 目前主流的分子对接软件介绍 | 第22-23页 |
| 2.2 蛋白质-配体交互指纹 | 第23-28页 |
| 2.2.1 蛋白质-配体交互指纹的概念 | 第23-24页 |
| 2.2.2 蛋白质-配体交互指纹的发展 | 第24-28页 |
| 2.3 虚拟筛选流程 | 第28-31页 |
| 2.3.1 虚拟筛选一般流程 | 第28-30页 |
| 2.3.2 蛋白质-配体交互指纹与虚拟筛选 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 蛋白质-配体交互指纹的预测 | 第32-48页 |
| 3.1 人工神经网络理论基础 | 第32-36页 |
| 3.1.1 人工神经元模型 | 第32-33页 |
| 3.1.2 BP人工神经网络 | 第33-35页 |
| 3.1.3 BP神经网络的缺陷 | 第35-36页 |
| 3.2 遗传模拟退火算法 | 第36-39页 |
| 3.2.1 遗传算法 | 第36-37页 |
| 3.2.2 模拟退火算法 | 第37-39页 |
| 3.2.3 遗传模拟退火算法 | 第39页 |
| 3.3 蛋白质-配体交互指纹进行预测模型的建立 | 第39-44页 |
| 3.3.1 目标蛋白质介绍 | 第40-41页 |
| 3.3.2 数据准备 | 第41-44页 |
| 3.4 实验结果及分析 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于集成学习的药物蛋白虚拟筛选 | 第48-61页 |
| 4.1 支持向量机 | 第48-53页 |
| 4.1.1 最大边缘超平面 | 第48-50页 |
| 4.1.2 线性可分情况 | 第50-51页 |
| 4.1.3 线性不可分 | 第51页 |
| 4.1.4 核函数 | 第51-53页 |
| 4.2 集成学习方法 | 第53-57页 |
| 4.2.1 集成学习的基本概念 | 第53-54页 |
| 4.2.2 分类器集成的主要算法 | 第54-56页 |
| 4.2.3 基于Adaboost-SVM的分类 | 第56-57页 |
| 4.3 实验验证与分析 | 第57-60页 |
| 4.3.1 数据集构建 | 第57-58页 |
| 4.3.2 评价指标 | 第58-59页 |
| 4.3.3 实验结果分析 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的学术论文 | 第69-70页 |
| 致谢 | 第70页 |
