| 缩略语表 | 第10-13页 |
| 摘要 | 第13-15页 |
| Abstract | 第15-16页 |
| 前言 | 第17-24页 |
| 0.1 论文的研究背景 | 第17-20页 |
| 0.1.1 基于大数据的新一代突发公共卫生事件应对体系正在加速形成.. | 第17-18页 |
| 0.1.2 基于大数据的机器学习算法加快药物重定位的步伐 | 第18-19页 |
| 0.1.3 基于多组学数据融合技术的药物重定位和重大疾病辅助诊疗 | 第19-20页 |
| 0.2 论文的组织结构 | 第20-23页 |
| 0.3 论文的创新点 | 第23-24页 |
| 第一章 基于关联关系的宿主靶向抗病毒药物预测 | 第24-40页 |
| 1.1 研究背景 | 第24-25页 |
| 1.2 数据来源 | 第25页 |
| 1.3 基于病毒靶向蛋白构建的病毒感染宿主图谱 | 第25-31页 |
| 1.3.1 病毒-宿主蛋白关联网络的构建 | 第25-26页 |
| 1.3.2 基于宿主蛋白的特点划分病毒类别 | 第26-28页 |
| 1.3.3 不同类别病毒的宿主蛋白生物功能比较 | 第28-31页 |
| 1.4 病毒宿主蛋白中的已知药靶分析 | 第31-34页 |
| 1.5 宿主靶向抗病毒药物的预测及实验验证 | 第34-39页 |
| 1.5.1 抗HSV-1感染的案例分析 | 第35-36页 |
| 1.5.2 抗IAV-H1N1感染的案例分析 | 第36-38页 |
| 1.5.3 抗HBV感染的案例分析 | 第38-39页 |
| 1.6 小结 | 第39-40页 |
| 第二章 基于转录组大数据的生化损伤机理解析及防治药物预测 | 第40-55页 |
| 2.1 研究背景 | 第40页 |
| 2.2 LINCS数据的收集与预处理 | 第40-42页 |
| 2.2.1 LINCS基因沉默表达谱数据的获取与预处理 | 第40-41页 |
| 2.2.2 LINCS药物扰动表达谱数据的获取与预处理 | 第41-42页 |
| 2.3 生化损伤数据的收集与预处理 | 第42-44页 |
| 2.3.1 病原体感染表达谱数据的获取与预处理 | 第42-43页 |
| 2.3.2 常见化学毒剂损伤表达谱数据的获取与预处理 | 第43-44页 |
| 2.4 技术路线 | 第44-45页 |
| 2.5 生化损伤机理解析 | 第45-50页 |
| 2.5.1 病原体-基因关联网络的构建与社团分析 | 第46-49页 |
| 2.5.2 化学毒剂-基因关联网络的构建与机理解析 | 第49-50页 |
| 2.6 面向生化剂损伤的防治药物预测 | 第50-53页 |
| 2.6.1 病原体-药物关联网络的构建 | 第50-53页 |
| 2.6.2 化学毒剂-药物关联网络的构建 | 第53页 |
| 2.7 小结 | 第53-55页 |
| 第三章 基于转录组大数据和机器学习的药物重定位算法 | 第55-67页 |
| 3.1 研究背景 | 第55页 |
| 3.2 基于Softmax方法的药物新治疗属性预测 | 第55-63页 |
| 3.2.1 数据来源 | 第55-56页 |
| 3.2.2 多标签分类的建模 | 第56-57页 |
| 3.2.3 机器学习预测结果 | 第57-58页 |
| 3.2.4 药物新治疗属性的全局分析 | 第58-61页 |
| 3.2.5 案例分析 | 第61-63页 |
| 3.3 基于深度学习的药物-靶标关联预测 | 第63-65页 |
| 3.3.1 数据来源 | 第63页 |
| 3.3.2 深度学习建模及学习结果 | 第63-64页 |
| 3.3.3 新药物-靶标关联关系的多数据库交叉验证及案例分析 | 第64-65页 |
| 3.4 小结 | 第65-67页 |
| 第四章 面向重大疾病辅助诊疗和药物重定位的多组学数据融合计算框架 | 第67-101页 |
| 4.1 研究背景 | 第67-68页 |
| 4.2 多组学数据融合计算平台 | 第68-76页 |
| 4.2.1 分析流程概览 | 第68-70页 |
| 4.2.2 前端及后台实现 | 第70-71页 |
| 4.2.3 数据输入、参数选择及分析结果可视化 | 第71-74页 |
| 4.2.4 远程协作模式及序贯样本的分类 | 第74-75页 |
| 4.2.5 基于多组学数据融合平台的急性髓性白血病分型案例 | 第75-76页 |
| 4.3 基于异质网络重启随机游走的多组学融合算法 | 第76-86页 |
| 4.3.1 RWRF算法介绍 | 第77-79页 |
| 4.3.2 RWRNF算法介绍 | 第79-81页 |
| 4.3.3 算法的收敛性、参数选择及抗噪能力 | 第81-85页 |
| 4.3.4 算法对比与应用 | 第85-86页 |
| 4.4 面向药物重定位的多组学融合计算框架及其应用 | 第86-99页 |
| 4.4.1 融合计算框架概览 | 第87-89页 |
| 4.4.2 数据来源与预处理 | 第89页 |
| 4.4.3 融合药物相似性网络的构建 | 第89-93页 |
| 4.4.4 利用iDSN进行药物重定位 | 第93-94页 |
| 4.4.5 融合药物相似性网络的社团分析 | 第94-98页 |
| 4.4.6 基于融合计算框架的药物重定位案例分析 | 第98-99页 |
| 4.5 小结 | 第99-101页 |
| 第五章 基于多源数据融合的药-靶-病三元关联关系预测计算框架 | 第101-120页 |
| 5.1 研究背景 | 第101-102页 |
| 5.2 三元关联预测计算框架概览 | 第102-112页 |
| 5.2.1 数据来源与预处理 | 第102-105页 |
| 5.2.2 计算框架概览 | 第105-110页 |
| 5.2.3 参数选择 | 第110页 |
| 5.2.4 交叉验证结果 | 第110-112页 |
| 5.3 三元关联预测计算框架的创新性 | 第112-114页 |
| 5.3.1 多源数据融合前后的比较 | 第112-113页 |
| 5.3.2 与二元关联预测算法的比较 | 第113页 |
| 5.3.3 三元关联预测结果与其他数据库的交叉对比 | 第113-114页 |
| 5.4 预测结果的社团分析及案例研究 | 第114-119页 |
| 5.5 小结 | 第119-120页 |
| 第六章 结论与展望 | 第120-123页 |
| 参考文献 | 第123-133页 |
| 附录A 宿主靶向抗HSV-1预测药物对Vero细胞的细胞毒性实验数据 | 第133-136页 |
| 附录B 宿主靶向抗HSV-1预测药物的体外活性实验数据 | 第136-139页 |
| 附录C 宿主靶向抗IAV-H1N1预测药物对MDCK细胞的细胞毒性实验数据 | 第139-144页 |
| 附录D 宿主靶向抗IAV-H1N1预测药物的体外活性实验数据 | 第144-149页 |
| 附录E 宿主靶向抗HBV预测药物对HepG2.2.15细胞的细胞毒性实验数据 | 第149-151页 |
| 附录F 宿主靶向抗HBV预测药物的体外活性实验数据 | 第151-153页 |
| 作者在学期间取得的学术成果 | 第153-154页 |
| 主要简历 | 第154-156页 |
| 致谢 | 第156-157页 |
