摘要 | 第6-8页 |
Abstract | 第8-9页 |
TABLE OF CONTENTS | 第13-16页 |
图目录 | 第16-17页 |
表目录 | 第17-18页 |
1 绪论 | 第18-36页 |
1.1 引言 | 第18-19页 |
1.2 药物分子设计 | 第19-23页 |
1.3 计算机辅助药物设计 | 第23-27页 |
1.3.1 定量构效关系 | 第23-24页 |
1.3.2 药效团模型 | 第24页 |
1.3.3 分子对接 | 第24-27页 |
1.4 云计算与CUDA架构 | 第27-33页 |
1.4.1 云计算技术 | 第27-30页 |
1.4.2 CUDA并行编程框架 | 第30-33页 |
1.5 本文主要工作 | 第33-34页 |
1.6 本章小结 | 第34-36页 |
2 分子对接原理与方法 | 第36-57页 |
2.1 分子对接概述 | 第36页 |
2.2 分子对接基本原理 | 第36-40页 |
2.2.1 分子对接的热力学表述 | 第36-38页 |
2.2.2 分子对接的理论基础 | 第38-40页 |
2.3 分子对接的优化模型 | 第40-49页 |
2.3.1 评分函数 | 第41-44页 |
2.3.2 分子的柔性 | 第44-49页 |
2.4 分子对接构象搜索方法 | 第49-56页 |
2.4.1 系统方法 | 第50页 |
2.4.2 随机方法 | 第50-55页 |
2.4.3 模拟方法 | 第55-56页 |
2.5 本章小结 | 第56-57页 |
3 基于残基基团和知识评分的对接方法 | 第57-70页 |
3.1 受体分子的残基基团 | 第58-62页 |
3.1.1 残基基团与聚类分析 | 第58-60页 |
3.1.2 柔性对接优化模型 | 第60-61页 |
3.1.3 残基基团划分算法实现 | 第61-62页 |
3.2 基于知识的评分函数 | 第62-65页 |
3.3 求解模型 | 第65-66页 |
3.4 模拟数值实验及结果分析 | 第66-68页 |
3.5 本章小结 | 第68-70页 |
4 基于多种评分的自适应对接方法 | 第70-83页 |
4.1 基于力场的评分函数 | 第70-72页 |
4.2 基于经验的评分函数 | 第72-74页 |
4.3 自适应优化模型 | 第74-78页 |
4.3.1 模型原理 | 第74-75页 |
4.3.2 遗传算法求解 | 第75-78页 |
4.4 模拟数值实验及结果分析 | 第78-81页 |
4.5 本章小结 | 第81-83页 |
5 信息熵多种群遗传算法和受体评分网格生成算法的CUDA并行 | 第83-98页 |
5.1 CUDA架构简介 | 第83-84页 |
5.2 信息熵多种群遗传算法的CUDA并行 | 第84-94页 |
5.2.1 信息熵和空间收缩因子 | 第85-87页 |
5.2.2 CUDA并行化策略 | 第87-88页 |
5.2.3 遗传算子的处理 | 第88-90页 |
5.2.4 测试环境和测试函数 | 第90-91页 |
5.2.5 数值实验结果和分析 | 第91-94页 |
5.3 受体评分网格生成的CUDA并行算法 | 第94-97页 |
5.3.1 受体评分网格 | 第94-95页 |
5.3.2 CUDA并行处理 | 第95-96页 |
5.3.3 实验结果及分析 | 第96-97页 |
5.4 本章小结 | 第97-98页 |
6 计算生物学云社区建设 | 第98-113页 |
6.1 前期技术准备 | 第98-104页 |
6.1.1 新药研发网格相关工作 | 第98-100页 |
6.1.2 实验网格平台搭建研究 | 第100-104页 |
6.2 计算生物学云社区建设 | 第104-112页 |
6.2.1 平台介绍 | 第105-106页 |
6.2.2 系统的四层架构 | 第106-108页 |
6.2.3 关键技术 | 第108-110页 |
6.2.4 系统的典型应用 | 第110-112页 |
6.3 本章小结 | 第112-113页 |
7 结论与展望 | 第113-115页 |
7.1 结论 | 第113页 |
7.2 创新点摘要 | 第113-114页 |
7.3 展望 | 第114-115页 |
参考文献 | 第115-127页 |
攻读博士学位期间科研项目及科研成果 | 第127-128页 |
致谢 | 第128-129页 |
作者简介 | 第129-130页 |