基于逻辑回归的药物与靶标相互作用关系预测
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究的背景及意义 | 第12-13页 |
| 1.2 药物与靶标相互作用关系研究现状 | 第13-17页 |
| 1.2.1 基于双边图的研究现状 | 第13-15页 |
| 1.2.2 基于矩阵的研究现状 | 第15-16页 |
| 1.2.3 基于机器学习的研究现状 | 第16-17页 |
| 1.3 主要工作 | 第17-18页 |
| 1.4 本文结构 | 第18-19页 |
| 第2章 相关概念及技术介绍 | 第19-29页 |
| 2.1 监督学习算法模型 | 第19-21页 |
| 2.1.1 模型和参数 | 第19页 |
| 2.1.2 目标函数 | 第19-21页 |
| 2.1.3 梯度下降法 | 第21页 |
| 2.2 相关性分析 | 第21-24页 |
| 2.2.1 协方差和皮尔逊相关系数 | 第22-23页 |
| 2.2.2 主成分分析法 | 第23页 |
| 2.2.3 奇异值分解法 | 第23-24页 |
| 2.3 Logistic回归分类 | 第24-25页 |
| 2.3.1 Logistic回归模型和参数 | 第24-25页 |
| 2.3.2 Logistic的目标方程 | 第25页 |
| 2.4 评价指标 | 第25-28页 |
| 2.5 小结 | 第28-29页 |
| 第3章 基于特征构建的药物靶标关系预测 | 第29-45页 |
| 3.1 引言 | 第29页 |
| 3.2 药物靶标对特征构建框架 | 第29页 |
| 3.3 结构特征的处理 | 第29-30页 |
| 3.4 网络特征的构建 | 第30-33页 |
| 3.4.1 使用主成分分析法处理网络特征 | 第32页 |
| 3.4.2 使用奇异值分解法获取网络特征 | 第32-33页 |
| 3.4.3 使用相似性表示网络特征 | 第33页 |
| 3.5 药物靶标对特征构建过程 | 第33-34页 |
| 3.6 实验与分析 | 第34-44页 |
| 3.6.1 实验数据 | 第35页 |
| 3.6.2 对比实验说明 | 第35-37页 |
| 3.6.3 药物靶标对五折交叉验证 | 第37-39页 |
| 3.6.4 新药物五折交叉验证 | 第39-40页 |
| 3.6.5 新靶标五折交叉验证 | 第40-42页 |
| 3.6.6 新药物新靶标的网络特征验证 | 第42-44页 |
| 3.7 小结 | 第44-45页 |
| 第4章 基于逻辑回归的药物靶标关系预测 | 第45-58页 |
| 4.1 引言 | 第45页 |
| 4.2 二维逻辑回归模型 | 第45-46页 |
| 4.3 二维逻辑回归模型求解 | 第46-48页 |
| 4.3.1 皮尔逊相关系数方法初始化过程 | 第47页 |
| 4.3.2 随机梯度下降法迭代求解 | 第47-48页 |
| 4.4 二维逻辑回归预测 | 第48页 |
| 4.5 实验及分析 | 第48-57页 |
| 4.5.1 实验数据 | 第50页 |
| 4.5.2 对比实验说明 | 第50-51页 |
| 4.5.3 药物靶标对五折交叉验证 | 第51-52页 |
| 4.5.4 新药物五折交叉验证 | 第52-53页 |
| 4.5.5 新靶标五折交叉验证 | 第53-54页 |
| 4.5.6 参数设置 | 第54-55页 |
| 4.5.7 新药物新靶标实例 | 第55-57页 |
| 4.6 小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 附录 A发表论文和参加科研情况说明 | 第64-65页 |
| 致谢 | 第65页 |
