| 摘要 | 第4-8页 |
| ABSTRACT | 第8-12页 |
| 第一章 绪论 | 第17-44页 |
| 第一节 化学生物信息学及其研究内容 | 第17-26页 |
| 1.1 化学生物信息学的提出及意义 | 第17-18页 |
| 1.2 化学生物信息学与化学信息学、生物信息学的区别 | 第18-19页 |
| 1.3 化学生物信息学数据资源 | 第19-20页 |
| 1.4 化学生物信息学研究内容 | 第20-26页 |
| 第二节 基于系统观点的药物信息提取 | 第26-29页 |
| 2.1 分子水平上的药物信息提取 | 第27页 |
| 2.2 细胞水平上的药物信息提取 | 第27-28页 |
| 2.3 组织水平上的药物信息提取 | 第28-29页 |
| 第三节 药物数据挖掘建模方法 | 第29-39页 |
| 3.1 线性模型及其算法 | 第29-30页 |
| 3.2 非线性模型及其算法 | 第30-37页 |
| 3.3 网络建模方法 | 第37-39页 |
| 第四节 化学生物信息学研究中难点问题 | 第39-40页 |
| 第五节 本论文的研究内容 | 第40-44页 |
| 第二章 基于模型特征分布的奇异样本检测算法研究 | 第44-77页 |
| 第一节 QSAR/QSPR建模中奇异样本诊断的新策略 | 第45-62页 |
| 1.1 引言 | 第45-46页 |
| 1.2 理论与方法 | 第46-53页 |
| 1.3 数据集及软件 | 第53-54页 |
| 1.4 结果与讨论 | 第54-61页 |
| 1.5 本节小结 | 第61-62页 |
| 第二节 基于模型特征分布的变量选择和奇异样本诊断 | 第62-77页 |
| 2.1 引言 | 第62-63页 |
| 2.2 理论与方法 | 第63-66页 |
| 2.3 数据集 | 第66-67页 |
| 2.4 结果与讨论 | 第67-76页 |
| 2.5 本节小结 | 第76-77页 |
| 第三章 核方法及核融合算法研究 | 第77-96页 |
| 第一节 基于SMILES表征的字符串核支持向量机算法研究 | 第78-85页 |
| 1.1 引言 | 第78页 |
| 1.2 理论与方法 | 第78-80页 |
| 1.3 数据集和软件 | 第80-81页 |
| 1.4 结果与讨论 | 第81-84页 |
| 1.5 本节小结 | 第84-85页 |
| 第二节 核k-近邻算法研究 | 第85-90页 |
| 2.1 引言 | 第85页 |
| 2.2 理论与方法 | 第85-87页 |
| 2.3 数据集和软件 | 第87页 |
| 2.4 结果与讨论 | 第87-89页 |
| 2.5 本节小结 | 第89-90页 |
| 第三节 核主成分分析空间内线性支持向量机算法研究 | 第90-96页 |
| 3.1 引言 | 第90页 |
| 3.2 理论与方法 | 第90-92页 |
| 3.3 数据集 | 第92-93页 |
| 3.4 结果与讨论 | 第93-95页 |
| 3.5 本节小结 | 第95-96页 |
| 第四章 决策树及基于决策树的集成算法研究 | 第96-127页 |
| 第一节 基于决策树的集成算法的特征选择研究 | 第97-105页 |
| 1.1 引言 | 第97页 |
| 1.2 理论与方法 | 第97-99页 |
| 1.3 数据集 | 第99-100页 |
| 1.4 结果与讨论 | 第100-104页 |
| 1.5 本节小结 | 第104-105页 |
| 第二节 特征重要度采样的自适应随机森林算法研究 | 第105-111页 |
| 2.1 引言 | 第105页 |
| 2.2 理论与方法 | 第105-107页 |
| 2.3 数据集 | 第107页 |
| 2.4 结果与讨论 | 第107-110页 |
| 2.5 本节小结 | 第110-111页 |
| 第三节 代谢组学数据分析中的蒙特卡罗树算法研究 | 第111-119页 |
| 3.1 引言 | 第111-112页 |
| 3.2 理论与方法 | 第112-114页 |
| 3.3 数据集 | 第114页 |
| 3.4 结果与讨论 | 第114-118页 |
| 3.5 本节小结 | 第118-119页 |
| 第四节 基于树核的核Fisher判别分析算法研究 | 第119-127页 |
| 4.1 引言 | 第119页 |
| 4.2 理论与方法 | 第119-122页 |
| 4.3 数据集 | 第122页 |
| 4.4 结果与讨论 | 第122-126页 |
| 4.5 本节小结 | 第126-127页 |
| 第五章 化学/生物分子及网络特征软件包的发展 | 第127-146页 |
| 第一节 化学分子特征提取及软件包的发展 | 第128-131页 |
| 1.1 引言 | 第128页 |
| 1.2 ChemoPy特征介绍 | 第128-131页 |
| 1.3 本节小结 | 第131页 |
| 第二节 蛋白质分子特征提取及软件包的发展 | 第131-135页 |
| 2.1 引言 | 第131页 |
| 2.2 ProPy功能介绍 | 第131-134页 |
| 2.3 本节小结 | 第134-135页 |
| 第三节 生物网络特征提取及软件包的发展 | 第135-137页 |
| 3.1 引言 | 第135页 |
| 3.2 PyNet功能介绍 | 第135-137页 |
| 3.3 本节小结 | 第137页 |
| 第四节 药物-靶点相互作用网络描述及软件包的发展 | 第137-144页 |
| 4.1 引言 | 第137-138页 |
| 4.2 PyDPI功能介绍 | 第138-141页 |
| 4.3 数据集 | 第141-142页 |
| 4.4 结果与讨论 | 第142-143页 |
| 4.5 本节小结 | 第143-144页 |
| 第五节 基于web的生物分子特征计算服务器的构建 | 第144-146页 |
| 第六章 计算机辅助药物ADMET性质预测研究 | 第146-178页 |
| 第一节 计算机辅助药物水溶性的预测研究 | 第147-152页 |
| 1.1 引言 | 第147页 |
| 1.2 数据集 | 第147页 |
| 1.3 分子模拟与描述符计算 | 第147-148页 |
| 1.4 结果与讨论 | 第148-152页 |
| 1.5 本节小结 | 第152页 |
| 第二节 计算机辅助药物最大日推荐剂量的分类研究 | 第152-159页 |
| 2.1 引言 | 第152-153页 |
| 2.2 数据收集 | 第153页 |
| 2.3 分子描述 | 第153-154页 |
| 2.4 结果与讨论 | 第154-158页 |
| 2.5 本节小结 | 第158-159页 |
| 第三节 基于子结构模式和随机森林的计算机辅助药物毒性预测 | 第159-168页 |
| 3.1 引言 | 第159页 |
| 3.2 数据集 | 第159-160页 |
| 3.3 分子描述符 | 第160-161页 |
| 3.4 子结构模式评估 | 第161-162页 |
| 3.5 结果与讨论 | 第162-167页 |
| 3.6 本节小结 | 第167-168页 |
| 第四节 影响OATP1B1转运蛋白的天然产物的QSAR研究 | 第168-175页 |
| 4.1 引言 | 第168页 |
| 4.2 数据集 | 第168-169页 |
| 4.3 分子描述与预处理 | 第169-170页 |
| 4.4 结果与讨论 | 第170-175页 |
| 4.5 本节小结 | 第175页 |
| 第五节 药物ADMET性质数据库及预测平台的构建 | 第175-178页 |
| 5.1 引言 | 第175-176页 |
| 5.2 药物ADMET性质数据库的构建 | 第176-177页 |
| 5.3 基于Web的药物ADMET预测平台的搭建 | 第177-178页 |
| 第七章 基因标度的药物-靶点相互作用网络预测研究 | 第178-210页 |
| 第一节 基因标度的药物-靶点相互作用的扫描 | 第179-194页 |
| 1.1 引言 | 第179-180页 |
| 1.2 数据集 | 第180-181页 |
| 1.3 特征描述 | 第181-183页 |
| 1.4 结果与讨论 | 第183-193页 |
| 1.5 本节小结 | 第193-194页 |
| 第二节 基于化学、生物和网络特征的药物-靶点相互作用的预测 | 第194-207页 |
| 2.1 引言 | 第194页 |
| 2.2 标准数据集 | 第194-195页 |
| 2.3 构建正样本集和负样本集 | 第195页 |
| 2.4 模型特征 | 第195-196页 |
| 2.5 结果与讨论 | 第196-206页 |
| 2.6 本节小结 | 第206-207页 |
| 第三节 基于化合物-蛋白相互作用的天然产物升压机制的评估 | 第207-210页 |
| 3.1 引言 | 第207页 |
| 3.2 数据收集 | 第207页 |
| 3.3 结果与讨论 | 第207-209页 |
| 3.4 本节小结 | 第209-210页 |
| 结论 | 第210-211页 |
| 参考文献 | 第211-229页 |
| 致谢 | 第229-230页 |
| 攻读博士学位期间主要研究成果 | 第230-234页 |
