摘要 | 第4-7页 |
ABSTRACT | 第7-9页 |
前言 | 第13-14页 |
第一章 绪论 | 第14-31页 |
1.1 Telomerase抑制剂抗肿瘤研究进展 | 第14-16页 |
1.1.1 Telomerase结构及其功能 | 第14-15页 |
1.1.2 Telomerase抑制剂 | 第15-16页 |
1.2 ATR抑制剂抗肿瘤研究进展 | 第16-25页 |
1.2.1 ATR结构及其功能 | 第17页 |
1.2.2 ATR抑制的抗肿瘤有效性 | 第17-18页 |
1.2.3 ATR抑制剂 | 第18-25页 |
1.3 机器学习方法在药物发现中的研究进展 | 第25-29页 |
1.3.1 k近邻法(kNN)在药物发现中的应用 | 第26页 |
1.3.2 人工神经网络(ANN)在药物发现中的应用 | 第26-27页 |
1.3.3 支持向量机(SVM)在药物发现中的应用 | 第27-29页 |
1.4 本论文研究目的及意义 | 第29-31页 |
第二章 建模数据的收集及处理 | 第31-36页 |
2.1 软件和数据库 | 第31页 |
2.2 建模数据的收集及处理 | 第31-32页 |
2.2.1 建模数据的收集 | 第31页 |
2.2.2 建模数据的前处理 | 第31页 |
2.2.3 建模数据分组 | 第31-32页 |
2.3 分子描述符的计算及选择 | 第32-33页 |
2.3.1 分子描述符选择 | 第33页 |
2.4 数据标准化处理 | 第33-34页 |
2.5 基于主成分分析(PCA)的描述符特征选择 | 第34-35页 |
2.6 本章小结 | 第35-36页 |
第三章 ATR和Telomerase抑制剂预测模型构建 | 第36-43页 |
3.1 软件 | 第36页 |
3.2 SVM预测初始模型构筑及性能参数考察 | 第36-39页 |
3.2.1 交叉验证考察 | 第36-37页 |
3.2.2 SVM类型的选择 | 第37-38页 |
3.2.3 核函数的选择 | 第38-39页 |
3.3 ATR和Telomerase抑制剂预测模型的构建及验证 | 第39-41页 |
3.4 本章小结 | 第41-43页 |
第四章 ATR和Telomerase抑制剂预测模型优化 | 第43-63页 |
4.1 基于网格搜索算法的ATR和Telomerase抑制剂预测模型优化 | 第43-49页 |
4.1.1 网格搜索算法基本原理 | 第43-44页 |
4.1.2 基于网格搜索算法优化的ATR和Telomerase抑制剂预测模型构建 | 第44-48页 |
4.1.3 基于网格搜索算法优化的ATR和Telomerase抑制剂预测模型验证及评价 | 第48-49页 |
4.2 基于粒子群算法的ATR和Telomerase抑制剂预测模型优化 | 第49-55页 |
4.2.1 粒子群算法基本原理 | 第49-50页 |
4.2.2 基于粒子群算法优化的ATR和Telomerase抑制剂预测模型构建 | 第50-53页 |
4.2.3 基于粒子群算法优化的ATR和Telomerase抑制剂预测模型验证及评价 | 第53-55页 |
4.3 基于遗传算法的ATR和Telomerase抑制剂预测模型优化 | 第55-60页 |
4.3.1 遗传算法基本原理 | 第55-56页 |
4.3.2 基于遗传算法优化的SVM-ATR和SVM-TEL模型构建 | 第56-59页 |
4.3.3 基于遗传算法优化的ATR和Telomerase抑制剂预测模型验证及评价 | 第59-60页 |
4.4 网格搜索算法、粒子群算法和遗传算法优化模型的性能比较 | 第60-61页 |
4.5 本章小结 | 第61-63页 |
第五章 ATR和Telomerase抑制剂预测模型验证及新抑制剂预测 | 第63-76页 |
5.1 材料 | 第63页 |
5.2 新化合物预测 | 第63-65页 |
5.3 Telomerase新抑制剂抗肿瘤试验验证 | 第65-66页 |
5.4 基于分子对接的Telomerase抑制剂与靶点相互作用分析 | 第66-73页 |
5.4.1 Telomerase蛋白结构同源建模及化合物前处理 | 第66-67页 |
5.4.2 化合物与Telomerase分子对接 | 第67-73页 |
5.5 基于文献数据的GS-SVM-ATR预测模型验证 | 第73-74页 |
5.6 本章小结 | 第74-76页 |
第六章 全文总结 | 第76-79页 |
参考文献 | 第79-86页 |
致谢 | 第86-87页 |
论文发表情况 | 第87页 |