| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第9-26页 |
| 1.1 药物的代谢稳定性研究的意义 | 第9-10页 |
| 1.2 基于不同方法的药物体外、体内代谢的研究综述 | 第10-25页 |
| 1.2.1 药物的代谢稳定性的实验方法综述 | 第10-14页 |
| 1.2.2 药物的体外代谢稳定性指标及分析 | 第14-15页 |
| 1.2.3 药物的体内代谢的药代动力学指标综述 | 第15-17页 |
| 1.2.4 机器学习方法在药物代谢研究中的应用介绍 | 第17-24页 |
| 1.2.5 机器学习方法在药物代谢研究中的问题和挑战 | 第24-25页 |
| 1.3 本论文的研究内容及研究价值 | 第25-26页 |
| 第2章 基于新的特征选取方法在SVR中预测化合物血浆半衰期 | 第26-49页 |
| 2.1 引言 | 第26-28页 |
| 2.2 数据的搜集与整理 | 第28-29页 |
| 2.3 方法与模型 | 第29-34页 |
| 2.3.1 分子描述符和分子指纹计算 | 第29-30页 |
| 2.3.2 特征选择与分析 | 第30-31页 |
| 2.3.3 KernelPCA分析 | 第31-32页 |
| 2.3.4 基于SVR的预测模型 | 第32-34页 |
| 2.3.5 基于分子指纹的Hierarchical聚类分析 | 第34页 |
| 2.4 结果与分析 | 第34-46页 |
| 2.4.1 数据的统计分析 | 第34-37页 |
| 2.4.2 描述符MIV值及与半衰期的相关系数 | 第37-38页 |
| 2.4.3 基于绝对MIV排序的特征选择和组合结果 | 第38-40页 |
| 2.4.4 PCA和KernalPCA分析 | 第40-42页 |
| 2.4.5 最终选择的描述符构建SVR模型的预测性能 | 第42-46页 |
| 2.4.6 训练集和测试集的距离与预测精度的关系 | 第46页 |
| 2.5 本论文的研究和前人研究的对比 | 第46-48页 |
| 2.6 本章小结 | 第48-49页 |
| 第3章 基于药物的理化性质和子结构识别其在人体内的半衰期长短 | 第49-75页 |
| 3.1 引言 | 第49-51页 |
| 3.2 数据收集与整理 | 第51页 |
| 3.3 方法与模型 | 第51-54页 |
| 3.3.1 分子描述符和分子指纹 | 第51-52页 |
| 3.3.2 理性划分训练集和测试集以及半衰期长短的分割点 | 第52-53页 |
| 3.3.3 朴素贝叶斯分类算法 | 第53页 |
| 3.3.4 递归分割算法 | 第53-54页 |
| 3.3.5 模型的评估方法 | 第54页 |
| 3.4 结果与分析 | 第54-74页 |
| 3.4.1 药物半衰期和给药途径之间的关系 | 第54-56页 |
| 3.4.2 药物半衰期和疾病性质之间的关系 | 第56-57页 |
| 3.4.3 药物半衰期和分子的理化性质之间的关系 | 第57-59页 |
| 3.4.4 不同分子指纹对NB模型预测结果精度的影响 | 第59-61页 |
| 3.4.5 NB中使用不同半衰期分割点的预测效果 | 第61-62页 |
| 3.4.6 使用NB方法识别长、短半衰期的药物 | 第62-71页 |
| 3.4.7 使用RP方法识别长、短半衰期的药物 | 第71-74页 |
| 3.5 本章小结 | 第74-75页 |
| 第4章 总结及展望 | 第75-76页 |
| 参考文献 | 第76-83页 |
| 致谢 | 第83-85页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第85页 |
