| 摘要 | 第4-7页 |
| abstract | 第7-10页 |
| 第一章 课题背景及意义 | 第15-20页 |
| 1.1 癌症的概念及癌症的治疗现状 | 第15页 |
| 1.2 癌症药物疗法所面临的问题 | 第15-17页 |
| 1.3 组合药物与癌症治疗 | 第17-18页 |
| 1.4 抗癌协同组合药物的研究意义 | 第18页 |
| 1.5 本文所要解决的问题 | 第18-19页 |
| 1.6 论文内容及结构安排 | 第19-20页 |
| 第二章 协同组合药物预测方法介绍 | 第20-34页 |
| 2.1 引语 | 第20-23页 |
| 2.2 构建生物网络的重要数据库资源 | 第23-27页 |
| 2.3 基于生物网络鉴定协同组合药物的原理 | 第27-28页 |
| 2.4 基于生物网络和无监督学习算法的协同组合药物预测模型 | 第28-30页 |
| 2.5 基于生物网络和半监督学习算法的协同组合药物预测模型 | 第30-31页 |
| 2.6 基于生物网络和监督学习算法的协同组合药物预测模型 | 第31-32页 |
| 2.7 结论 | 第32-34页 |
| 第三章 组合药物的特征设计 | 第34-46页 |
| 3.1 课题背景介绍 | 第34页 |
| 3.2 基于药物靶点网络属性的特征设计 | 第34-35页 |
| 3.2.1 药物靶点在人类蛋白质相互作用网络中的平均最短距离 | 第34-35页 |
| 3.2.2 药物靶点所在细胞信号通路的相似性 | 第35页 |
| 3.3 基于药物化学结构的特征设计 | 第35页 |
| 3.4 基于药物基因组学数据的特征设计 | 第35-43页 |
| 3.4.1 基于共同差异表达基因的特征设计 | 第36-39页 |
| 3.4.2 基于非共同差异表达基因的特征设计 | 第39-41页 |
| 3.4.3 基于药物载体基因的特征设计 | 第41-43页 |
| 3.5 组合药物特征分析 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 协同组合药物预测模型的构建 | 第46-61页 |
| 4.1 模型构建的技术路线 | 第46-47页 |
| 4.2 训练集数据和测试集数据 | 第47-49页 |
| 4.3 数据预处理方法 | 第49-50页 |
| 4.4 随机森林算法 | 第50-51页 |
| 4.4.1 随机森林算法简介 | 第50-51页 |
| 4.4.2 随机森林算法的实现方法 | 第51页 |
| 4.5 构建预测模型 | 第51-58页 |
| 4.5.1 特征选择及模型构建 | 第52-57页 |
| 4.5.2 模型在独立测试集中的表现 | 第57-58页 |
| 4.6 讨论 | 第58-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 研究小结 | 第61页 |
| 5.2 论文创新点 | 第61-62页 |
| 5.3 进一步工作计划 | 第62-63页 |
| 参考文献 | 第63-71页 |
| 附录A DREAM中处理DLBCL细胞系的14种药物 | 第71页 |
| 附录B DREAM中的91对组合药物及其药效 | 第71-74页 |
| 附录C 美国食品药品监察管理局批准使用的抗癌药物 | 第74-76页 |
| 附录D 包含在CMap中的已批准抗癌药物 | 第76-77页 |
| 附录E DREAM中14种药物对应的靶点 | 第77-82页 |
| 附录F 包含在CMap中的已批准抗癌药物的靶点 | 第82-83页 |
| 附录G 癌症相关信号通路 | 第83-88页 |
| 科研成果及参加的学术会议 | 第88-89页 |
| 致谢 | 第89-90页 |
