| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究目的与意义 | 第9-10页 |
| 1.3 研究现状及存在的问题 | 第10-12页 |
| 1.3.1 研究现状 | 第10-11页 |
| 1.3.2 研究中存在的问题 | 第11-12页 |
| 1.4 相关实验条件简介 | 第12-13页 |
| 1.4.1 基本硬件信息 | 第12-13页 |
| 1.5 本文主要工作 | 第13-14页 |
| 第二章 相关背景知识介绍 | 第14-35页 |
| 2.1 药物发现 | 第14-17页 |
| 2.1.1 药物靶标的发现与验证 | 第15-16页 |
| 2.1.2 先导化合物的发现和结构优化 | 第16页 |
| 2.1.3 临床候选药物的研究 | 第16-17页 |
| 2.2 多标签分类 | 第17-23页 |
| 2.2.1 问题转换方法 | 第17-20页 |
| 2.2.2 算法适应方法 | 第20-22页 |
| 2.2.3 评估指标 | 第22-23页 |
| 2.3 人工神经网络 | 第23-30页 |
| 2.3.1 人工神经网络的基本特点 | 第23-24页 |
| 2.3.2 生物神经元结构 | 第24页 |
| 2.3.3 人工神经元结构 | 第24-25页 |
| 2.3.4 人工神经元变换函数分类 | 第25-27页 |
| 2.3.5 人工神经网络分类 | 第27-29页 |
| 2.3.6 人工神经网络的学习及反向传播算法 | 第29-30页 |
| 2.4 深度学习 | 第30-35页 |
| 2.4.1 修正线性单元激活函数 | 第31-32页 |
| 2.4.2 常用的深度学习模型 | 第32-35页 |
| 第三章 数据预处理 | 第35-48页 |
| 3.1 国际化合物标识符 | 第35-36页 |
| 3.2 InChI数据的数值表示及其长度的确定 | 第36-39页 |
| 3.2.1 InChI数据的数值表示 | 第36-37页 |
| 3.2.2 数据长度的确定 | 第37-39页 |
| 3.3 不平衡数据集学习 | 第39-43页 |
| 3.3.1 传统分类中的不平衡问题 | 第39-40页 |
| 3.3.2 多标签分类中的不平衡问题 | 第40-41页 |
| 3.3.3 多标签数据集不平衡程度评估标准 | 第41页 |
| 3.3.4 多标签随机过采样算法 | 第41-43页 |
| 3.4 数据筛选与筛选后得到的数据集中标签分布不平衡问题的处理 | 第43-48页 |
| 3.4.1 原始数据集规模下存在的问题 | 第43-44页 |
| 3.4.2 数据筛选 | 第44-45页 |
| 3.4.3 筛选后得到的数据集中类别标签分布不平衡问题的处理 | 第45-48页 |
| 第四章 深度学习对类药化合物数据的分析及预期结果展示 | 第48-56页 |
| 4.1 模型介绍 | 第48-50页 |
| 4.2 结果展示 | 第50-53页 |
| 4.3 结果分析 | 第53-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 本文研究工作总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 在学期间的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
