基于异构网络和机器学习的长非编码RNA-疾病关联关系预测
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 相关数据资源 | 第11-13页 |
| 1.2.2 基于生物网络的方法 | 第13-14页 |
| 1.2.3 基于机器学习的方法 | 第14-15页 |
| 1.2.4 其它方法 | 第15-16页 |
| 1.3 本文的主要研究内容 | 第16-17页 |
| 第2章 长非编码RNA及相关理论方法 | 第17-25页 |
| 2.1 长非编码RNA简述 | 第17-20页 |
| 2.1.1 长非编码RNA的功能 | 第17-18页 |
| 2.1.2 长非编码RNA与相关疾病 | 第18-20页 |
| 2.2 异构信息网络 | 第20-22页 |
| 2.2.1 异构信息网络基本概念 | 第20-21页 |
| 2.2.2 异构信息网络的研究发展 | 第21-22页 |
| 2.3 图上的随机游走 | 第22-23页 |
| 2.4 相关的性能评价指标 | 第23-24页 |
| 2.5 本章总结 | 第24-25页 |
| 第3章 基于异构网络的长非编码RNA-疾病预测 | 第25-49页 |
| 3.1 问题简述 | 第25页 |
| 3.2 数据的获取 | 第25-28页 |
| 3.2.1 lncRNA-疾病关联关系数据 | 第25-26页 |
| 3.2.2 疾病数据 | 第26-27页 |
| 3.2.3 lncRNA表达数据和表达相似度 | 第27页 |
| 3.2.4 其它相关的数据 | 第27-28页 |
| 3.3 疾病相似度和lncRNA相似度的计算 | 第28-30页 |
| 3.3.1 疾病相似度的计算 | 第28-29页 |
| 3.3.2 lncRNA相似度的计算 | 第29-30页 |
| 3.4 基于异构网络的双随机游走预测方法 | 第30-37页 |
| 3.4.1 基于lncRNA网络的预测方法介绍 | 第30-31页 |
| 3.4.2 构建异构网络 | 第31-34页 |
| 3.4.3 预测方法 | 第34-37页 |
| 3.5 实验结果与分析 | 第37-48页 |
| 3.5.1 评估指标介绍 | 第37页 |
| 3.5.2 BiRWHLDA方法交叉验证效果 | 第37-40页 |
| 3.5.3 与其它方法的对比 | 第40-43页 |
| 3.5.4 对其它关联关系的预测 | 第43-44页 |
| 3.5.5 对疾病的预测 | 第44-46页 |
| 3.5.6 BiRWHLDA案例分析 | 第46-48页 |
| 3.6 本章总结 | 第48-49页 |
| 第4章 基于机器学习的长非编码RNA-疾病预测 | 第49-62页 |
| 4.1 数据获取 | 第49-50页 |
| 4.2 基于miRNA数据的lncRNA相似度 | 第50-51页 |
| 4.3 预测方法 | 第51-54页 |
| 4.3.1 堆叠式自编码器 | 第51-53页 |
| 4.3.2 多层神经网络 | 第53页 |
| 4.3.3 堆叠集成 | 第53-54页 |
| 4.4 实验结果与分析 | 第54-61页 |
| 4.4.1 5-折交叉验证结果 | 第54-57页 |
| 4.4.2 对其它关联关系的预测 | 第57-58页 |
| 4.4.3 模型的鲁棒性 | 第58页 |
| 4.4.4 NNBLDA案例分析 | 第58-61页 |
| 4.5 本章总结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的论文 | 第69-71页 |
| 致谢 | 第71页 |
