| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第一章 引言 | 第7-14页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 口服生物利用度预测研究现状 | 第8-9页 |
| 1.2.2 CYP4501A2酶的抑制性分类研究现状 | 第9-11页 |
| 1.2.3 有机碳吸附系数(logKoc)预测研究现状 | 第11-12页 |
| 1.2.4 存在的问题 | 第12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第二章 相关知识介绍 | 第14-22页 |
| 2.1 定量结构-活性关系 | 第14-17页 |
| 2.1.1 QSAR简述 | 第14页 |
| 2.1.2 QSAR研究方法 | 第14-17页 |
| 2.2 QSAR研究中分子结构描述符的计算 | 第17-18页 |
| 2.2.1 经验描述符 | 第17页 |
| 2.2.2 理论计算描述符 | 第17-18页 |
| 2.3 机器学习方法 | 第18-22页 |
| 2.3.1 人工神经网络 | 第18-20页 |
| 2.3.2 支持向量机 | 第20-22页 |
| 第三章 基于栈式自编码的口服生物利用度分类 | 第22-28页 |
| 3.1 药物分子特征生成 | 第22页 |
| 3.2 药物分子特征筛选 | 第22-23页 |
| 3.3 栈式自编码模型介绍 | 第23-24页 |
| 3.3.1 栈式自编码神经网络 | 第23-24页 |
| 3.3.2 softmax回归 | 第24页 |
| 3.4 口服生物利用度分类 | 第24-25页 |
| 3.5 实验与分析 | 第25-27页 |
| 3.5.1 评估标准 | 第25页 |
| 3.5.2 自编码层数选择对分类结果的影响 | 第25-26页 |
| 3.5.3 不同输入特征对分类结果的影响 | 第26-27页 |
| 3.5.4 对比试验 | 第27页 |
| 3.6 本章小结 | 第27-28页 |
| 第四章 基于深度信念网络的CYP4501A2抑制性分类 | 第28-37页 |
| 4.1 数据来源 | 第28页 |
| 4.2 分子指纹 | 第28-30页 |
| 4.2.1 数据量递增试验 | 第29页 |
| 4.2.2 分子指纹预处理 | 第29-30页 |
| 4.3 模型介绍 | 第30-32页 |
| 4.3.1 深度信念网络 | 第30页 |
| 4.3.2 受限玻尔兹曼机(RBM) | 第30-32页 |
| 4.3.3 DBN模型对CYP2C9的分类流程 | 第32页 |
| 4.4 实验与分析 | 第32-36页 |
| 4.4.1 模型评估标准 | 第32-33页 |
| 4.4.2 DBN，SVM和ANN参数信息 | 第33页 |
| 4.4.3 DBN层数对分类结果的影响 | 第33-34页 |
| 4.4.4 PubChem和MACCS描述符对实验的影响 | 第34-35页 |
| 4.4.5 模型对比试验 | 第35-36页 |
| 4.5 本章小结 | 第36-37页 |
| 第五章 基于深度递归神经网络的logKoc预测 | 第37-45页 |
| 5.1 数据来源 | 第37页 |
| 5.2 分子特征生成 | 第37-38页 |
| 5.3 化合物分子特征的筛选 | 第38页 |
| 5.4 模型和方法 | 第38-41页 |
| 5.4.1 递归神经网络 | 第38-39页 |
| 5.4.2 无向图递归神经网络(UGRNN) | 第39-40页 |
| 5.4.3 皮尔逊相关系数 | 第40-41页 |
| 5.4.4 基于UGRNN+logP的预测模型 | 第41页 |
| 5.5 实验与分析 | 第41-44页 |
| 5.5.1 模型评估标准 | 第42页 |
| 5.5.2 数据量递增试验 | 第42-43页 |
| 5.5.3 模型对比实验 | 第43-44页 |
| 5.6 本章小结 | 第44-45页 |
| 第六章 总结与展望 | 第45-47页 |
| 6.1 本文研究工作总结 | 第45-46页 |
| 6.2 未来工作展望 | 第46-47页 |
| 参考文献 | 第47-53页 |
| 硕士研究生期间发表论文 | 第53-54页 |
| 致谢 | 第54-55页 |
