| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 1 绪论 | 第19-30页 |
| 1.1 研究背景及意义 | 第19-20页 |
| 1.2 国内外研究现状 | 第20-25页 |
| 1.3 存在的关键问题及研究的重点 | 第25-26页 |
| 1.4 研究内容与技术路线 | 第26-28页 |
| 1.5 本文组织结构 | 第28-30页 |
| 2 药物-靶标相互作用预测基础理论 | 第30-43页 |
| 2.1 新药研发流程 | 第30-32页 |
| 2.2 深度学习概述 | 第32-37页 |
| 2.3 药物靶标数据资源 | 第37-40页 |
| 2.4 性能评价指标 | 第40-42页 |
| 2.5 本章小结 | 第42-43页 |
| 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 | 第43-57页 |
| 3.1 药物化合物分子的数值化表征方法 | 第43-45页 |
| 3.2 蛋白质氨基酸序列的数值化表征方法 | 第45-50页 |
| 3.3 实验及分析 | 第50-55页 |
| 3.4 本章小结 | 第55-57页 |
| 4 基于机器学习的药物-靶标特征提取算法研究 | 第57-76页 |
| 4.1 引言 | 第57页 |
| 4.2 基于特征融合的深度神经网络算法设计 | 第57-63页 |
| 4.3 药物-靶标特征向量对称编码 | 第63-64页 |
| 4.4 实验及分析 | 第64-74页 |
| 4.5 本章小结 | 第74-76页 |
| 5 基于权重选择的旋转森林分类器模型研究 | 第76-91页 |
| 5.1 引言 | 第76页 |
| 5.2 旋转森林算法 | 第76-78页 |
| 5.3 基于权重选择的旋转森林算法 | 第78-79页 |
| 5.4 实验及分析 | 第79-90页 |
| 5.5 本章小结 | 第90-91页 |
| 6 基于集成学习系统的药物-靶标相互作用预测研究 | 第91-111页 |
| 6.1 引言 | 第91-94页 |
| 6.2 集成学习系统成功的原因 | 第94-95页 |
| 6.3 集成学习系统构建的方法 | 第95-101页 |
| 6.4 药物-靶标相互作用预测集成学习系统构建 | 第101-102页 |
| 6.5 实验及分析 | 第102-110页 |
| 6.6 本章小结 | 第110-111页 |
| 7 结论与展望 | 第111-114页 |
| 7.1 主要研究成果 | 第111-112页 |
| 7.2 进一步研究的工作 | 第112-114页 |
| 参考文献 | 第114-126页 |
| 作者简历 | 第126-129页 |
| 学位论文数据集 | 第129页 |