| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 符号说明 | 第11-12页 |
| 第一章 绪论 | 第12-25页 |
| 1.1 课题的背景及意义 | 第12-16页 |
| 1.2 研究现状 | 第16-21页 |
| 1.2.1 蛋白质热点残基的预测 | 第16-17页 |
| 1.2.2 药物-靶标相互作用预测 | 第17-19页 |
| 1.2.3 QSAR药物活性筛选 | 第19-21页 |
| 1.3 存在的问题 | 第21-22页 |
| 1.4 本文的工作及创新点 | 第22-23页 |
| 1.5 本文的组织结构 | 第23-25页 |
| 第二章 机器学习相关理论简介 | 第25-43页 |
| 2.1 机器学习简介 | 第25-28页 |
| 2.1.1 k近邻算法 | 第26-27页 |
| 2.1.2 集成投票 | 第27页 |
| 2.1.3 评价指标 | 第27-28页 |
| 2.2 深度学习概述 | 第28-30页 |
| 2.3 深度学习的发展历程 | 第30-33页 |
| 2.4 卷积神经网络 | 第33-36页 |
| 2.4.1 卷积神经网络的历史 | 第33-34页 |
| 2.4.2 卷积神经网络的网络结构 | 第34-36页 |
| 2.5 循环神经网络 | 第36-39页 |
| 2.5.1 概述 | 第36-37页 |
| 2.5.2 长短时记忆网络 | 第37-38页 |
| 2.5.3 门控循环单元 | 第38-39页 |
| 2.6 深度神经网络的训练过程 | 第39-42页 |
| 2.7 本章小结 | 第42-43页 |
| 第三章 蛋白质热点残基的预测 | 第43-61页 |
| 3.1 引言 | 第43-44页 |
| 3.2 热点残基数据集 | 第44-45页 |
| 3.3 蛋白质残基的特征提取 | 第45-48页 |
| 3.3.1 蛋白质序列的编码 | 第45-48页 |
| 3.3.2 相对溶剂可及表面积 | 第48页 |
| 3.4 分类模型的建立 | 第48-49页 |
| 3.5 实验结果 | 第49-56页 |
| 3.5.1 单分类器的预测结果 | 第49-51页 |
| 3.5.2 集成投票的预测结果 | 第51-52页 |
| 3.5.3 不同热点残基的定义对模型预测性能的影响 | 第52-53页 |
| 3.5.4 预测模型在SKEMPI数据集上的结果 | 第53-54页 |
| 3.5.5 预测模型在混合数据集上的结果 | 第54-55页 |
| 3.5.6 与其它方法的比较 | 第55-56页 |
| 3.6 讨论与分析 | 第56-59页 |
| 3.6.1 滑窗长度对预测模型性能的影响 | 第56-57页 |
| 3.6.2 实例分析 | 第57-59页 |
| 3.6.3 理化特征分析 | 第59页 |
| 3.7 本章小结 | 第59-61页 |
| 第四章 药物-靶标相互作用的预测 | 第61-77页 |
| 4.1 引言 | 第61-62页 |
| 4.2 预测模型的构建 | 第62-68页 |
| 4.2.1 数据集 | 第62-64页 |
| 4.2.1.1 训练集 | 第63页 |
| 4.2.1.2 额外的验证集 | 第63-64页 |
| 4.2.1.3 负样本的生成 | 第64页 |
| 4.2.2 药物分子的特征表示 | 第64-65页 |
| 4.2.3 靶标蛋白的特征表示 | 第65页 |
| 4.2.4 数据特征的构建 | 第65-66页 |
| 4.2.5 网络结构 | 第66页 |
| 4.2.6 预测模型的构建 | 第66-68页 |
| 4.3 实验结果 | 第68-71页 |
| 4.3.1 药物-靶标相互作用的预测结果 | 第68-69页 |
| 4.3.2 与其他机器学习方法的比较结果 | 第69-70页 |
| 4.3.3 与深度置信网络算法的比较结果 | 第70-71页 |
| 4.4 结果讨论 | 第71-74页 |
| 4.4.1 超参数 | 第71-73页 |
| 4.4.1.1 网络层数 | 第71-72页 |
| 4.4.1.2 学习速率 | 第72页 |
| 4.4.1.3 批标准化 | 第72-73页 |
| 4.4.2 Loss值 | 第73页 |
| 4.4.3 数据扩充和随机变换矩阵 | 第73-74页 |
| 4.5 实例分析 | 第74-76页 |
| 4.6 本章小结 | 第76-77页 |
| 第五章 基于深度学习的QSAR药物活性筛选 | 第77-94页 |
| 5.1 引言 | 第77-78页 |
| 5.2 seq2seq模型 | 第78-81页 |
| 5.2.1 seq2seq模型 | 第78-79页 |
| 5.2.2 Attention机制 | 第79-81页 |
| 5.3 实验方法 | 第81-85页 |
| 5.3.1 数据集 | 第82页 |
| 5.3.2 化学分子的SMILES特征表示 | 第82-83页 |
| 5.3.3 模型流程 | 第83页 |
| 5.3.4 基于编码-解码化学模型的构建 | 第83-84页 |
| 5.3.5 化学分子的生物活性预测 | 第84-85页 |
| 5.4 实验结果与分析 | 第85-89页 |
| 5.4.1 每一个bioassay的QSAR预测结果 | 第85-88页 |
| 5.4.2 与其他QSAR预测方法的比较 | 第88页 |
| 5.4.3 与其他化学小分子描述符的比较 | 第88-89页 |
| 5.5 结果讨论 | 第89-92页 |
| 5.5.1 学习速率 | 第90页 |
| 5.5.2 卷积神经网络结构 | 第90-91页 |
| 5.5.3 两种训练方案的损失变化 | 第91-92页 |
| 5.6 实例分析 | 第92-93页 |
| 5.7 本章小结 | 第93-94页 |
| 第六章 总结与展望 | 第94-96页 |
| 6.1 本文工作总结 | 第94-95页 |
| 6.2 展望 | 第95-96页 |
| 参考文献 | 第96-104页 |
| 附录 | 第104-108页 |
| 致谢 | 第108-109页 |
| 攻读学位期间发表的学术论文 | 第109页 |