| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景,目的及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 论文主要工作 | 第16-17页 |
| 1.4 论文结构 | 第17-19页 |
| 第二章 相关知识 | 第19-29页 |
| 2.1 通路知识 | 第19-24页 |
| 2.1.1 通路的概念 | 第19-20页 |
| 2.1.2 相关数据库 | 第20-24页 |
| 2.2 机器学习方法概述 | 第24-26页 |
| 2.2.1 监督学习 | 第25页 |
| 2.2.2 无监督学习 | 第25-26页 |
| 2.2.3 半监督学习 | 第26页 |
| 2.2.4 集成学习 | 第26页 |
| 2.3 模型选择方法 | 第26-27页 |
| 2.4 模型评价方法 | 第27-29页 |
| 第三章 基于多特征整合方法预测药物-通路相互作用 | 第29-42页 |
| 3.1 引言 | 第29-30页 |
| 3.2 构建数据集 | 第30-31页 |
| 3.3 方法概述 | 第31-35页 |
| 3.3.1 药物特征构建 | 第31页 |
| 3.3.2 通路特征构建 | 第31-33页 |
| 3.3.3 基于高斯内核的规范化最小二乘算法 | 第33页 |
| 3.3.4 基于图的半监督学习算法 | 第33-34页 |
| 3.3.5 分图局部模型 | 第34-35页 |
| 3.4 结果与讨论 | 第35-41页 |
| 3.4.1 性能评价 | 第35-38页 |
| 3.4.2 预测结果 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于改进的旋转森林方法预测化合物-通路相互作用 | 第42-58页 |
| 4.1 引言 | 第42-44页 |
| 4.2 构建数据集 | 第44-45页 |
| 4.3 方法概述 | 第45-51页 |
| 4.3.1 化合物结构特征 | 第45-46页 |
| 4.3.2 化合物的MOA特征 | 第46-47页 |
| 4.3.3 通路的基因空间特征 | 第47-48页 |
| 4.3.4 旋转森林 | 第48-49页 |
| 4.3.5 Relief特征过滤和GBSSL基础分类 | 第49-50页 |
| 4.3.6 RGRF算法描述 | 第50-51页 |
| 4.4 结果与讨论 | 第51-56页 |
| 4.4.1 性能评价 | 第51-53页 |
| 4.4.2 预测结果 | 第53-55页 |
| 4.4.3 验证分析 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 RGRF算法工具的设计与实现 | 第58-62页 |
| 5.1 设计目的 | 第58页 |
| 5.2 设计原理 | 第58-59页 |
| 5.3 输入与输出 | 第59页 |
| 5.4 用户界面 | 第59-61页 |
| 5.5 本章小节 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 论文工作总结 | 第62-63页 |
| 6.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-71页 |
| 致谢 | 第71-72页 |
| 附录 攻读学位期间发表论文目录 | 第72页 |