| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第16-28页 |
| 1.1 选题背景及意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-24页 |
| 1.2.1 药物-靶标相互作用预测 | 第17-21页 |
| 1.2.2 药物重定位 | 第21-24页 |
| 1.3 存在的问题分析 | 第24-25页 |
| 1.4 本文主要贡献与创新 | 第25-26页 |
| 1.5 本文组织结构 | 第26-28页 |
| 第2章 药物-靶标相互作用预测概述 | 第28-51页 |
| 2.1 药物-靶标相互作用数据集 | 第28-30页 |
| 2.1.1 酶 | 第29页 |
| 2.1.2 离子通道 | 第29页 |
| 2.1.3 GPCRs | 第29-30页 |
| 2.1.4 核受体 | 第30页 |
| 2.2 药物-靶标相互作用预测的机器学习方法 | 第30-40页 |
| 2.2.1 监督学习方法 | 第30-38页 |
| 2.2.2 半监督学习方法 | 第38-40页 |
| 2.3 基于机器学习的预测方法存在的问题 | 第40-41页 |
| 2.4 机器学习相关理论 | 第41-49页 |
| 2.4.1 机器学习基本概念 | 第41-42页 |
| 2.4.2 SVM | 第42-46页 |
| 2.4.3 随机投影 | 第46页 |
| 2.4.4 稀疏表示 | 第46页 |
| 2.4.5 矩阵补全 | 第46-47页 |
| 2.4.6 主成分分析 | 第47-48页 |
| 2.4.7 PU学习 | 第48-49页 |
| 2.5 药物-靶标相互作用预测的评估标准 | 第49-50页 |
| 2.6 小结 | 第50-51页 |
| 第3章 基于PU学习筛选药物-靶标相互作用数据 | 第51-78页 |
| 3.1 问题描述 | 第51-52页 |
| 3.2 相关工作 | 第52-57页 |
| 3.2.1 NCPIS | 第52-54页 |
| 3.2.2 PUDT-Lan | 第54-55页 |
| 3.2.3 Spy-EM | 第55-56页 |
| 3.2.4 Roc-SVM | 第56-57页 |
| 3.3 数据描述 | 第57-61页 |
| 3.3.1 药物分子描述 | 第57-58页 |
| 3.3.2 靶标蛋白描述 | 第58-60页 |
| 3.3.3 药物-靶标相互作用向量 | 第60-61页 |
| 3.3.4 药物-靶标相互作用数据 | 第61页 |
| 3.4 基于高质量负样本筛选方法预测药物-靶标相互作用 | 第61-70页 |
| 3.5 结果与讨论 | 第70-77页 |
| 3.5.1 评估标准 | 第72页 |
| 3.5.2 不同负样本筛选方法的性能比较 | 第72-73页 |
| 3.5.3 在Yamanishi等人提供的4个数据集上的性能比较 | 第73-75页 |
| 3.5.4 经典预测模型在DrugBank数据库中的数据上的性能比较 | 第75页 |
| 3.5.5 参数敏感性分析 | 第75-77页 |
| 3.6 小结 | 第77-78页 |
| 第4章 基于判别性低秩表示预测药物-靶标相互作用 | 第78-93页 |
| 4.1 问题描述 | 第78页 |
| 4.2 相关工作 | 第78-81页 |
| 4.2.1 为新的药物和靶标预测相互作用信息 | 第78页 |
| 4.2.2 邻居相互作用谱 | 第78-79页 |
| 4.2.3 非负矩阵因子分解 | 第79-80页 |
| 4.2.4 稀疏表示分类器 | 第80页 |
| 4.2.5 判别性低秩表示 | 第80-81页 |
| 4.3 数据描述 | 第81页 |
| 4.4 基于判别性低秩表示预测药物-靶标相互作用 | 第81-87页 |
| 4.4.1 问题建模 | 第81-82页 |
| 4.4.2 基于判别性低秩表示预测药物-靶标相互作用 | 第82-87页 |
| 4.5 结果与讨论 | 第87-92页 |
| 4.5.1 交叉验证 | 第87页 |
| 4.5.2 评估标准与实验设置 | 第87-89页 |
| 4.5.3 基于CV_d的预测性能 | 第89页 |
| 4.5.4 基于CV_t的预测性能 | 第89-90页 |
| 4.5.5 高质量负样本对模型预测性能的影响 | 第90-91页 |
| 4.5.6 参数敏感性分析 | 第91-92页 |
| 4.6 小结 | 第92-93页 |
| 第5章 基于多信息融合预测药物-靶标相互作用 | 第93-110页 |
| 5.1 问题描述 | 第93-94页 |
| 5.2 相关工作 | 第94-95页 |
| 5.2.1 药物-靶标相互作用预测方法 | 第94页 |
| 5.2.2 PCA | 第94-95页 |
| 5.2.3 协同过滤 | 第95页 |
| 5.3 数据描述 | 第95-96页 |
| 5.3.1 药物数据 | 第95页 |
| 5.3.2 靶标数据 | 第95-96页 |
| 5.3.3 药物-靶标相互作用数据 | 第96页 |
| 5.4 基于多信息融合的药物-靶标相互作用预测方法 | 第96-101页 |
| 5.4.1 问题建模 | 第96-97页 |
| 5.4.2 基于多信息融合预测药物-靶标相互作用 | 第97-101页 |
| 5.5 结果与讨论 | 第101-108页 |
| 5.5.1 实验设置 | 第101-102页 |
| 5.5.2 与6种代表性方法的性能比较 | 第102-105页 |
| 5.5.3 考虑NDTISE对预测性能的影响 | 第105页 |
| 5.5.4 拓扑结构相似性对预测性能的影响 | 第105-106页 |
| 5.5.5 融合不同信息时的性能比较 | 第106-108页 |
| 5.6 小结 | 第108-110页 |
| 第6章 药物-靶标相互作用预测在药物重定位中的应用 | 第110-124页 |
| 6.1 基于筛选的高质量负样本进行药物重定位 | 第110-112页 |
| 6.1.1 对药物阿司咪唑进行重定位 | 第110-111页 |
| 6.1.2 对靶标TOP2A编码的DNA拓扑异构酶2-α进行重定位 | 第111-112页 |
| 6.2 对新的药物和靶标进行重定位 | 第112-118页 |
| 6.2.1 对新的药物进行重定位 | 第114-115页 |
| 6.2.2 对新的靶标进行重定位 | 第115-118页 |
| 6.3 为阿尔茨海默病推测新的治疗线索 | 第118-119页 |
| 6.4 挖掘标准数据集中的关联信息 | 第119-123页 |
| 6.5 小结 | 第123-124页 |
| 结论 | 第124-127页 |
| 参考文献 | 第127-138页 |
| 致谢 | 第138-141页 |
| 附录A 攻读学位期间所发表的学术论文 | 第141-142页 |
| 附录B 攻读学位期间参与的研究项目 | 第142页 |
