| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 英文缩略词表 | 第9-13页 |
| 1 绪论 | 第13-23页 |
| 1.1 前言 | 第13-14页 |
| 1.2 hERG心脏毒性预测 | 第14-19页 |
| 1.2.1 结构和功能 | 第14-15页 |
| 1.2.2 基于计算模拟的hERG毒性预测模型 | 第15-19页 |
| 1.3 BCRP抑制剂预测 | 第19-23页 |
| 1.3.1 结构和功能 | 第19-20页 |
| 1.3.2 基于计算模拟的乳腺癌耐药蛋白抑制剂预测模型 | 第20-23页 |
| 2 基于药效团和机器学习方法的HERG毒性预测 | 第23-48页 |
| 2.1 前言 | 第23-24页 |
| 2.2 理论方法和材料准备 | 第24-28页 |
| 2.2.1 数据集准备 | 第24-25页 |
| 2.2.2 药效团的生成 | 第25-26页 |
| 2.2.3 机器学习方法 | 第26-28页 |
| 2.2.4 分类模型的验证 | 第28页 |
| 2.3 结果和讨论 | 第28-47页 |
| 2.3.1 数据集的分布 | 第28-30页 |
| 2.3.2 递归分割抉择重要的药效团 | 第30-35页 |
| 2.3.3 基于多药效团建立朴素贝叶斯和支持向量机模型 | 第35-41页 |
| 2.3.4 药效团的聚类分析 | 第41-44页 |
| 2.3.5 预测错误的分子地分析 | 第44-47页 |
| 2.4 本章小结 | 第47-48页 |
| 3 基于特征选择和朴素贝叶斯方法的BCRP抑制剂的预测 | 第48-69页 |
| 3.1 前言 | 第48页 |
| 3.2 理论方法和材料准备 | 第48-51页 |
| 3.2.1 数据集准备 | 第48-49页 |
| 3.2.2 分子描述符的计算和选择 | 第49-50页 |
| 3.2.3 朴素贝叶斯模型 | 第50-51页 |
| 3.2.4 分类模型的验证 | 第51页 |
| 3.3 结果和讨论 | 第51-67页 |
| 3.3.1 基于模拟退火的特征选择 | 第51-55页 |
| 3.3.2 数据集的分布 | 第55-56页 |
| 3.3.3 朴素贝叶斯分类 | 第56-61页 |
| 3.3.4 外部集和Belekar测试集的模型验证 | 第61-62页 |
| 3.3.5 贝叶斯模型重要的结构片段分析 | 第62-64页 |
| 3.3.6 分析预测错误的分子 | 第64-67页 |
| 3.4 本章小结 | 第67-69页 |
| 主要创新性 | 第69-70页 |
| 参考文献 | 第70-78页 |
| 作者简历 | 第78页 |
