| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 引言 | 第7-10页 |
| 第二章 问题描述和经典方法回顾 | 第10-26页 |
| 2.1 问题描述 | 第10-11页 |
| 2.1.1 药物-靶标蛋白关系预测问题的基本描述 | 第10页 |
| 2.1.2 机器学习方法解决药物-靶标蛋白预测问题的整体框架 | 第10-11页 |
| 2.1.3 数据源 | 第11页 |
| 2.2 经典预测方法回顾 | 第11-26页 |
| 2.2.1 Nearest Neighbor(NN) | 第12-13页 |
| 2.2.2 Bipartite local models(BLM) | 第13-16页 |
| 2.2.3 Pairwise kernel method(PKM) | 第16-17页 |
| 2.2.4 Laplacian regularized least squares and Net Laplacian regula rized least squares (LapRLS & NetLapRLS) | 第17-19页 |
| 2.2.5 Gaussian interaction profile(GIP) | 第19-21页 |
| 2.2.6 Kernelized Bayesian matrix factorization with twin kernels(KBMF2K) | 第21-23页 |
| 2.2.7 Network-based inference(NBI) | 第23-26页 |
| 第三章 协同矩阵分解 | 第26-32页 |
| 3.1 协同矩阵分解概要 | 第26-27页 |
| 3.2 算法介绍 | 第27-29页 |
| 3.3 利用ALS算法求解模型 | 第29-32页 |
| 第四章 实验结果与分析 | 第32-47页 |
| 4.1 实验数据 | 第32-34页 |
| 4.1.1 药物-靶标蛋白关系数据 | 第32-33页 |
| 4.1.2 药物信息 | 第33页 |
| 4.1.3 靶标蛋白信息 | 第33-34页 |
| 4.2 实验设置 | 第34-36页 |
| 4.2.1 实验步骤 | 第34-35页 |
| 4.2.2 实验参数 | 第35-36页 |
| 4.2.3 评价标准 | 第36页 |
| 4.3 实验结果 | 第36-42页 |
| 4.3.1 药物预测结果 | 第36-38页 |
| 4.3.2 靶标蛋白预测结果 | 第38-40页 |
| 4.3.3 药物-靶标蛋白对预测结果 | 第40-42页 |
| 4.4 协同矩阵分解的实际预测 | 第42-47页 |
| 4.4.1 低维特征空间实例 | 第43-44页 |
| 4.4.2 新预测 | 第44-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 硕士期间发表论文 | 第52-53页 |
| 致谢 | 第53-54页 |
