大数据环境下化合物类药性与活性预测研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第一章 引言 | 第7-13页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 类药性评价规则及预测 | 第8-11页 |
| 1.2.2 生物活性识别及预测 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 第二章 海量化合物类药性预测模型的构建 | 第13-29页 |
| 2.1 化学结构的计算机处理 | 第13-17页 |
| 2.1.1 化学结构的计算机表示 | 第13-15页 |
| 2.1.2 结构数据文件的格式 | 第15-17页 |
| 2.2 连续属性离散化 | 第17-18页 |
| 2.3 基于分治策略的分段哈希算法 | 第18-21页 |
| 2.4 海量化合物分布式并行处理模型 | 第21-25页 |
| 2.4.1 分布式文件系统HDFS | 第22-23页 |
| 2.4.2 MapReduce分布式计算模型 | 第23-25页 |
| 2.5 海量化合物类药性预测模型 | 第25-28页 |
| 2.5.1 数据集处理 | 第25-26页 |
| 2.5.2 实验环境与评价指标 | 第26页 |
| 2.5.3 实验结果与分析 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于深度学习的海量化合物活性预测模型 | 第29-42页 |
| 3.1 机器学习方法 | 第29-33页 |
| 3.1.1 人工神经网络 | 第29-31页 |
| 3.1.2 支持向量机 | 第31-33页 |
| 3.2 基于深度学习的海量化合物活性预测模型 | 第33-36页 |
| 3.2.1 深度学习简介 | 第33页 |
| 3.2.2 Softmax分类器 | 第33-34页 |
| 3.2.3 栈式自编码神经网络 | 第34-36页 |
| 3.3 实验结果与分析 | 第36-41页 |
| 3.3.1 数据准备及处理 | 第36页 |
| 3.3.2 特征计算及筛选 | 第36-37页 |
| 3.3.3 参数选择与评价指标 | 第37-38页 |
| 3.3.4 实验结果与分析 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 总结与展望 | 第42-43页 |
| 4.1 本文研究工作总结 | 第42页 |
| 4.2 未来工作展望 | 第42-43页 |
| 参考文献 | 第43-49页 |
| 攻读硕士研究生期间发表的论文 | 第49-50页 |
| 致谢 | 第50-51页 |
