基于深度学习的化合物—蛋白质相互作用预测
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 实验条件介绍 | 第12-13页 |
| 1.5 本文工作简介 | 第13-14页 |
| 1.6 论文体系结构 | 第14-15页 |
| 第二章 相关背景知识介绍 | 第15-26页 |
| 2.1 药物设计学的诞生 | 第15-16页 |
| 2.2 多靶点药物治疗 | 第16-17页 |
| 2.3 多标签分类 | 第17-19页 |
| 2.3.1 多标签分类介绍 | 第17-19页 |
| 2.3.2 解决多标签分类问题的两种方法 | 第19页 |
| 2.4 人工神经网络 | 第19-23页 |
| 2.4.1 人工神经网络介绍 | 第19-22页 |
| 2.4.2 人工神经网络的特点 | 第22-23页 |
| 2.5 机器学习 | 第23-26页 |
| 2.5.1 机器学习的定义 | 第23-24页 |
| 2.5.2 机器学习的方法 | 第24-26页 |
| 第三章 原始数据分析及处理 | 第26-33页 |
| 3.1 数据来源 | 第26-28页 |
| 3.1.1 BindingDB简介 | 第26-27页 |
| 3.1.2 原始数据集 | 第27-28页 |
| 3.2 原始数据分析 | 第28-30页 |
| 3.3 前期数据处理 | 第30-33页 |
| 第四章 深度学习相关技术分析 | 第33-39页 |
| 4.1 深度学习简介 | 第33-35页 |
| 4.1.1 从机器学习到深度学习 | 第33-34页 |
| 4.1.2 从浅层学习到深度学习 | 第34-35页 |
| 4.2 BP神经网络 | 第35-39页 |
| 第五章 原型的设计与实现 | 第39-51页 |
| 5.1 开发语言及工具介绍 | 第39-44页 |
| 5.1.1 Python | 第39-40页 |
| 5.1.2 MicrosoftSQLServer | 第40-41页 |
| 5.1.3 GPU版TensorFlow框架 | 第41-44页 |
| 5.2 数据集的生成 | 第44-47页 |
| 5.3 模型介绍 | 第47-48页 |
| 5.4 实验结果 | 第48-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 研究总结 | 第51-52页 |
| 6.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |
