| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 第1章 绪论 | 第20-28页 |
| 1.1 选题背景及研究意义 | 第20-24页 |
| 1.1.1 选题背景 | 第20-23页 |
| 1.1.2 研究意义 | 第23-24页 |
| 1.2 研究思路与主要内容 | 第24-26页 |
| 1.2.1 研究思路 | 第24-25页 |
| 1.2.2 主要内容 | 第25-26页 |
| 1.3 主要创新点和尚待研究的问题 | 第26-28页 |
| 1.3.1 主要创新点 | 第26-27页 |
| 1.3.2 尚待研究的问题 | 第27-28页 |
| 第2章 国内外文献综述 | 第28-50页 |
| 2.1 机器学习方法概况 | 第28-33页 |
| 2.1.1 支持向量机 | 第29-30页 |
| 2.1.2 随机森林 | 第30页 |
| 2.1.3 梯度提升 | 第30-32页 |
| 2.1.4 集成学习 | 第32-33页 |
| 2.2 计算机辅助药物设计 | 第33-35页 |
| 2.3 基于配体的虚拟筛选 | 第35-40页 |
| 2.3.1 药效团模型 | 第36页 |
| 2.3.2 定量构效关系(QSAR) | 第36-39页 |
| 2.3.3 机器学习方法在QSAR建模中的应用 | 第39-40页 |
| 2.4 基于结构的虚拟筛选 | 第40-44页 |
| 2.4.1 基于结构的虚拟筛选的基本过程 | 第40-42页 |
| 2.4.2 分子对接中的打分函数 | 第42-43页 |
| 2.4.3 基于机器学习的打分函数 | 第43-44页 |
| 2.5 流感病毒神经氨酸酶抑制剂研究概况 | 第44-46页 |
| 2.5.1 神经氨酸酶作为流感病毒药物靶点 | 第45页 |
| 2.5.2 流感病毒神经氨酸酶抑制剂的虚拟筛选 | 第45-46页 |
| 2.6 有机化合物毒性预测 | 第46-50页 |
| 2.6.1 有机化合物致癌性预测 | 第46-47页 |
| 2.6.2 有机化合物致突变性预测 | 第47-48页 |
| 2.6.3 有机化合物肝毒性预测 | 第48-50页 |
| 第3章 流感病毒神经氨酸酶特异性打分函数的开发及在虚拟筛选中的应用 | 第50-80页 |
| 3.1 引言 | 第50-51页 |
| 3.2 实验数据收集 | 第51-57页 |
| 3.2.1 打分函数训练数据集 | 第51-54页 |
| 3.2.2 神经氨酸酶抑制剂数据集 | 第54-56页 |
| 3.2.3 分子对接测试数据集 | 第56-57页 |
| 3.3 打分函数的建立与应用方法 | 第57-66页 |
| 3.3.1 打分函数的建立 | 第57-58页 |
| 3.3.2 分子对接 | 第58-60页 |
| 3.3.3 使用分子对接软件和RF-NA-Score的虚拟筛选策略 | 第60-62页 |
| 3.3.4 使用最佳虚拟筛选策略筛选SPECS数据库 | 第62页 |
| 3.3.5 神经氨酸酶抑制实验 | 第62-66页 |
| 3.4 结果与讨论 | 第66-78页 |
| 3.4.1 基于随机森林的打分函数性能评价 | 第66-69页 |
| 3.4.2 验证分子对接软件的准确性 | 第69-70页 |
| 3.4.3 RF-NA-Score在神经氨酸酶抑制剂虚拟筛选中的效率 | 第70-73页 |
| 3.4.5 SPECS数据库的筛选 | 第73-78页 |
| 3.5 本章小结 | 第78-80页 |
| 第4章 基于集成学习方法的group2神经氨酸酶抑制剂定量构效关系模型 | 第80-100页 |
| 4.1 引言 | 第80-81页 |
| 4.2 实验数据收集 | 第81页 |
| 4.3 模型构建与评估方法 | 第81-85页 |
| 4.3.1 分子指纹和分子描述符的计算 | 第81-82页 |
| 4.3.2 特征选择 | 第82-83页 |
| 4.3.3 基于机器学习的流感病毒神经氨酸酶抑制剂QSAR模型构建方法 | 第83-84页 |
| 4.3.4 基于集成学习方法的group2神经氨酸酶抑制剂QSAR模型构建方法 | 第84页 |
| 4.3.5 模型性能评估 | 第84-85页 |
| 4.4 结果与讨论 | 第85-98页 |
| 4.4.1 基于机器学习的流感病毒神经氨酸酶抑制剂QSAR模型 | 第85-88页 |
| 4.4.2 特征选择方法提升模型准确性 | 第88-92页 |
| 4.4.3 神经氨酸酶抑制剂相关的分子描述符 | 第92-94页 |
| 4.4.4 基于集成学习方法的group2神经氨酸酶抑制剂QSAR模型 | 第94-98页 |
| 4.5 本章小结 | 第98-100页 |
| 第5章 基于集成学习方法构建有机化合物致癌性预测模型 | 第100-120页 |
| 5.1 引言 | 第100-101页 |
| 5.2 实验数据收集 | 第101-102页 |
| 5.3 模型构建与评估方法 | 第102-106页 |
| 5.3.1 分子指纹的计算 | 第102-103页 |
| 5.3.2 特征选择 | 第103页 |
| 5.3.3 模型构建 | 第103-105页 |
| 5.3.4 模型性能评估 | 第105-106页 |
| 5.4 结果与讨论 | 第106-119页 |
| 5.4.1 数据集分析 | 第106-107页 |
| 5.4.2 基分类器的性能 | 第107-109页 |
| 5.4.3 集成模型的性能 | 第109-110页 |
| 5.4.4 基于文献报道的方法的比较 | 第110-112页 |
| 5.4.5 样本量大小对集成模型性能的影响 | 第112-113页 |
| 5.4.6 化合物致癌性相关的结构特征 | 第113-114页 |
| 5.4.7 案例研究：发现药物中的潜在致癌物 | 第114-116页 |
| 5.4.8 化合物致癌性预测服务器的建立 | 第116-119页 |
| 5.5 本章小结 | 第119-120页 |
| 第6章 基于集成学习方法构建有机化合物致突变性预测模型 | 第120-136页 |
| 6.1 引言 | 第120页 |
| 6.2 实验数据收集 | 第120-122页 |
| 6.3 模型构建与评估方法 | 第122-123页 |
| 6.3.1 分子指纹的计算 | 第122页 |
| 6.3.2 特征选择 | 第122页 |
| 6.3.3 模型构建 | 第122-123页 |
| 6.3.4 模型性能评估 | 第123页 |
| 6.4 结果与讨论 | 第123-134页 |
| 6.4.1 特征选择 | 第123-125页 |
| 6.4.2 基分类器预测性能 | 第125-128页 |
| 6.4.3 集成模型的预测性能 | 第128-132页 |
| 6.4.4 化合物致突变性相关的结构特征 | 第132-134页 |
| 6.4.5 化合物致突变性预测服务器 | 第134页 |
| 6.5 本章小结 | 第134-136页 |
| 第7章 基于集成学习方法构建有机化合物肝毒性预测模型 | 第136-150页 |
| 7.1 引言 | 第136-137页 |
| 7.2 实验数据收集 | 第137-138页 |
| 7.3 模型构建与评估方法 | 第138-139页 |
| 7.3.1 分子指纹的计算 | 第138页 |
| 7.3.2 特征选择 | 第138-139页 |
| 7.3.3 模型构建 | 第139页 |
| 7.3.4 模型性能评估 | 第139页 |
| 7.4 结果与讨论 | 第139-148页 |
| 7.4.1 基分类器预测性能 | 第139-142页 |
| 7.4.2 集成模型的预测性能 | 第142-145页 |
| 7.4.3 基于文献报道的模型的比较 | 第145-146页 |
| 7.4.4 化合物肝毒性相关的结构特征 | 第146-147页 |
| 7.4.5 化合物肝毒性预测服务器 | 第147-148页 |
| 7.5 本章小结 | 第148-150页 |
| 第8章 结论 | 第150-154页 |
| 参考文献 | 第154-164页 |
| 攻读学位期间发表的学术论文及取得的科研成果 | 第164-166页 |
| 致谢 | 第166页 |
