| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景 | 第7-9页 |
| 1.1.1 新时代药物发现研究面临的机遇和挑战 | 第7-8页 |
| 1.1.2 受限玻尔兹曼机的兴起和应用 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 SAR国内外研究现状 | 第9-10页 |
| 1.2.1 SSR国内外研究现状 | 第10-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 1.4 论文组织机构 | 第12-13页 |
| 第二章 相关理论技术概述 | 第13-20页 |
| 2.1 受限玻尔兹曼机 | 第13-15页 |
| 2.2 协同过滤 | 第15-17页 |
| 2.3 深度学习 | 第17-19页 |
| 2.4 多任务学习 | 第19-20页 |
| 第三章 小分子推荐中靶蛋白-小分子矩阵构建 | 第20-27页 |
| 3.1 商品推荐vs.小分子推荐 | 第20-22页 |
| 3.2 构建靶蛋白-小分子矩阵的可行性 | 第22页 |
| 3.3 靶蛋白-小分子矩阵的构建 | 第22-23页 |
| 3.4 靶蛋白-小分子矩阵统计特性 | 第23-26页 |
| 3.4.1 无活性/弱活性/活性小分子分布 | 第24-25页 |
| 3.4.2 小分子相似性比较 | 第25-26页 |
| 3.5 本章小结 | 第26-27页 |
| 第四章 基于RBM的协同过滤算法在药物发现领域的应用 | 第27-31页 |
| 4.1 需求分析 | 第27-28页 |
| 4.2 基于RBM模型的小分子活性预测 | 第28页 |
| 4.3 小分子推荐评估方法 | 第28-29页 |
| 4.4 实验结果与分析 | 第29-30页 |
| 4.5 本章小结 | 第30-31页 |
| 第五章 基于RBM的SSR多任务深度学习模型 | 第31-43页 |
| 5.1 小分子选择性实验数据以及评估方法 | 第31-33页 |
| 5.1.1 数据集 | 第31-32页 |
| 5.1.2 符号定义 | 第32-33页 |
| 5.1.3 评估方法 | 第33页 |
| 5.2 基于神经网络的SSR多任务模型 | 第33-37页 |
| 5.2.1 SSRm1000-lr、SSRm2048-lr、SSR1000w-lr预测模型 | 第34-35页 |
| 5.2.2 实验结果与分析 | 第35-37页 |
| 5.3 基于DBN的SSR多任务模型 | 第37-42页 |
| 5.3.1 SSRmDBN、SSRDBN、SSRDBNw预测模型 | 第38页 |
| 5.3.2 实验结果与分析 | 第38-42页 |
| 5.4 本章小结 | 第42-43页 |
| 第六章 总结与展望 | 第43-45页 |
| 6.1 本文总结 | 第43页 |
| 6.2 未来工作的展望 | 第43-45页 |
| 参考文献 | 第45-49页 |
| 研究生期间研究成果 | 第49-50页 |
| 致谢 | 第50页 |
