| 中文摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 研究背景 | 第9-24页 |
| 1.1 计算机辅助药物设计 | 第9-13页 |
| 1.1.1 计算机辅助药物设计简介 | 第9-10页 |
| 1.1.2 基于小分子配体的药物设计 | 第10-12页 |
| 1.1.3 基于生物大分子靶点的药物设计 | 第12-13页 |
| 1.2 基于分子对接的虚拟筛选与分子对接打分函数 | 第13-17页 |
| 1.2.1 分子对接简介 | 第13-14页 |
| 1.2.2 基于分子对接的虚拟筛选 | 第14页 |
| 1.2.3 对接打分函数的概念与重要性 | 第14-17页 |
| 1.3 机器学习算法简介和它的应用 | 第17-21页 |
| 1.3.1 机器学习的定义 | 第17页 |
| 1.3.2 机器学习的算法类型 | 第17页 |
| 1.3.3 机器学习的理论 | 第17页 |
| 1.3.4 机器学习的算法 | 第17-19页 |
| 1.3.5 机器学习的应用 | 第19-21页 |
| 1.4 YZ-SCORE立题依据及在实际NPFF受体同源建模中的应用 | 第21-24页 |
| 1.4.1 YZ-Score的立题依据 | 第21-22页 |
| 1.4.2 YZ-Score的应用 | 第22-24页 |
| 第二章 YZ-SCORE的构建 | 第24-31页 |
| 2.1 训练与测试数据集 | 第24页 |
| 2.2 蛋白-配体复合物之间相互作用描述符的产生 | 第24-26页 |
| 2.3 设置神经网络 | 第26页 |
| 2.4 YZ-SCORE性能测试的指标 | 第26-28页 |
| 2.5 NPFF受体同源建模 | 第28-31页 |
| 2.5.1 同源模板选择 | 第29页 |
| 2.5.2 序列比对和同源建模 | 第29页 |
| 2.5.3 分子对接 | 第29-31页 |
| 第三章 YZ-SCORE在独立测试集的表现 | 第31-42页 |
| 3.1 使用ANN建立模型 | 第31-32页 |
| 3.2 YZ-SCORE的性能 | 第32-40页 |
| 3.3 结果分析 | 第40-42页 |
| 3.3.1 如此简单的距离描述符为什么能够有如此好的表现 | 第40页 |
| 3.3.2 YZ-Score能否应用到真实的虚拟筛选中? | 第40-42页 |
| 第四章 YZ-SCORE在NPFF同源建模中的应用 | 第42-47页 |
| 4.1 同源模型建立与优化 | 第42-45页 |
| 4.1.1 序列比对结果 | 第42-43页 |
| 4.1.2 模型初次生或与分子对接结果 | 第43-44页 |
| 4.1.3 模型优化及关键位点 | 第44-45页 |
| 4.2 结论与展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 在学期间的研究成果 | 第51-52页 |
| 致谢 | 第52页 |
