| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 引言 | 第8页 |
| 1.2 药物预测的研究现状 | 第8-9页 |
| 1.3 药物预测数学模型研究现状 | 第9-10页 |
| 1.4 本文的主要贡献 | 第10-12页 |
| 1.5 本文的组织结构 | 第12-13页 |
| 第二章 预测模型 | 第13-22页 |
| 2.1 分类与回归 | 第13-14页 |
| 2.2 特征选择 | 第14-16页 |
| 2.3 支持向量回归 | 第16-17页 |
| 2.4 随机森林 | 第17-18页 |
| 2.5 人工神经网络 | 第18-19页 |
| 2.6 深度学习算法 | 第19-22页 |
| 第三章 基于深度学习的药物预测模型建立 | 第22-33页 |
| 3.1 分子编码与深度学习框架 | 第22-25页 |
| 3.2 UG-RNN框架设置及模型训练 | 第25-26页 |
| 3.2.1 UG-RNN框架设置 | 第25页 |
| 3.2.2 UG-RNN模型训练 | 第25-26页 |
| 3.3 深度学习框架的数学模型 | 第26-31页 |
| 3.4 深度学习的集成方法 | 第31-33页 |
| 第四章 实验结果与分析 | 第33-54页 |
| 4.1 数据集 | 第33-36页 |
| 4.1.1 药物渗透性能数据集 | 第33-34页 |
| 4.1.2 药物毒性数据集 | 第34-36页 |
| 4.2 模型训练 | 第36-37页 |
| 4.2.1 分类模型的训练 | 第36-37页 |
| 4.2.2 回归模型的训练 | 第37页 |
| 4.3 特征分析 | 第37-41页 |
| 4.3.1 药物渗透性分子特征分析 | 第37-39页 |
| 4.3.2 药物毒性分子特征分析 | 第39-41页 |
| 4.4 预测结果 | 第41-50页 |
| 4.4.1 分类模型预测结果及性能比较 | 第41-44页 |
| 4.4.2 回归模型预测结果及性能比较 | 第44-49页 |
| 4.4.3 个人数据集验证 | 第49-50页 |
| 4.5 实验讨论 | 第50-54页 |
| 4.5.1 对深度学习药物渗透性预测模型的进一步讨论 | 第50-51页 |
| 4.5.2 对深度学习药物毒性预测模型的进一步讨论 | 第51-52页 |
| 4.5.3 训练集大小对预测的影响 | 第52页 |
| 4.5.4 对训练集和测试集进行不同的划分所造成的影响 | 第52-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 在学期间的研究成果 | 第61-62页 |
| 致谢 | 第62页 |
