本文關鍵詞：基于深度學習的抗HIV活性QSAR預測　出處：《計算機工程與設計》2017年01期 　論文類型：期刊論文

  更多相關文章： 抗HIV活性 深度信念網(wǎng)絡 非監(jiān)督 精度 預測

【摘要】：為提高抗HIV活性預測的精度,采用深度學習算法,提出一種基于深度信念網(wǎng)絡的抗HIV活性預測方法。利用BP神經(jīng)網(wǎng)絡任意精度逼近非線性函數(shù)的優(yōu)點,結合多個受限玻爾茲曼機(restricted Boltzmann machine,RBM)進行非監(jiān)督逐層貪婪模式訓練學習,建立深度信念網(wǎng)絡算法模型(deep belief network,DBN)。將抗HIV活性的高溫超導源數(shù)據(jù)(HTS raw data)、高溫超導抑制劑(HTS%inhibition(20μM))、最大測定信號釋放比率(mean max signal)等特征作為DBN模型的輸入,抗HIV平均活性值作為該模型的輸出,設計實驗對模型進行訓練及驗證,實驗結果表明,DBN模型對抗HIV活性的預測均方根誤差小,預測精度高,平均預測精度為93.82%,適用于抗HIV活性評估。
[Abstract]:In order to improve the accuracy of anti-#en0# activity prediction, the depth learning algorithm is used. In this paper, a prediction method of anti HIV activity based on deep belief network is proposed, which utilizes the advantage of BP neural network to approximate the nonlinear function with arbitrary precision. Combined with multiple restricted Boltzmann machines (RBMs), unsupervised greedy training is carried out. An algorithm model of deep belief network is established. The HTS raw data of anti HIV activity are analyzed. High temperature superconducting inhibitor (HTS inhibition 20 渭 m). The maximum signal release ratio (mean max signal) was used as the input of the DBN model, and the average activity value of anti-#en2# was taken as the output of the model. Experiments were designed to train and verify the model. The experimental results show that the root-mean-square error (RMS) of DDBN model against HIV activity is small, and the prediction accuracy is high, with an average prediction accuracy of 93.82%. It is suitable for the evaluation of anti-HIV activity.
【作者單位】： 新疆大學軟件學院;新疆大學網(wǎng)絡中心;
【基金】：國家自然科學基金項目(31160341) 新疆研究生科研創(chuàng)新基金項目(XJGRI2015034)
【分類號】：TP18
【正文快照】： 0引言對抗HIV(human immunodeficiency virus,HIV)活性定量構效關系(quantitative structure activity relation-ship,QSAR)進行活性預測,可以提高抗艾滋病藥物發(fā)現(xiàn)的效率并降低研發(fā)成本,對促進艾滋病藥物的設計有重要的意義。抗HIV活性與結構關系是一種復雜的多元、非線性關

【參考文獻】

相關期刊論文 前5條

1 王菲露;宋楊;;RBF神經(jīng)網(wǎng)絡在柔性觸覺傳感器解耦中的應用[J];計算機工程與應用;2015年10期

2 陳翠平;;基于深度信念網(wǎng)絡的文本分類算法[J];計算機系統(tǒng)應用;2015年02期

3 彭宇倩;曾碧;肖紅;何元烈;;基于BP神經(jīng)網(wǎng)絡的實時動態(tài)參數(shù)定位方法[J];計算機工程與設計;2014年10期

4 楊光;劉俏;代蕊;馬蓬勃;劉海霞;;BP神經(jīng)網(wǎng)絡預測Bacillus amyloliquefaciens Q-426發(fā)酵產(chǎn)物活性[J];計算機與應用化學;2013年09期

5 潘顯超;梅虎;謝江安;呂娟;王青;張亞蘭;譚文;;基于VHSE結構表征的TAP親和活性預測及選擇特異性分析[J];高等學�；瘜W學報;2012年11期

相關博士學位論文 前1條

1 劉昕;HIV-1整合酶抑制劑篩選及其活性檢測方法研究[D];北京工業(yè)大學;2013年

【共引文獻】

相關期刊論文 前10條

1 高雙印;田生偉;禹龍;史新宇;;基于深度學習的抗HIV活性QSAR預測[J];計算機工程與設計;2017年01期

2 周夢舟;吳珊;柳念;汪超;徐寧;胡勇;史文博;李冬生;;基于神經(jīng)網(wǎng)絡對枯草芽孢桿菌富硒過程的建模研究[J];中國食品學報;2016年12期

3 黃磊;王凡;吳素萍;;BP算法的多核并行研究及其在棗無損檢測的應用[J];計算機工程與設計;2016年09期

4 顧桂梅;張鑫;;基于深度信念網(wǎng)絡的風機葉片結構損傷識別研究[J];甘肅農(nóng)業(yè)大學學報;2016年04期

5 李衛(wèi)東;侯麗虹;;基于衛(wèi)星導航系統(tǒng)的高速列車定位技術研究[J];信息與控制;2016年04期

6 周曉莉;張豐;杜震洪;曹敏杰;劉仁義;;基于CRBM算法的時間序列預測模型研究[J];浙江大學學報(理學版);2016年04期

7 劉廣秀;宋單單;;基于Adaboost框架下自動編碼器提升方法的文本分類[J];電子世界;2016年11期

8 冷云偉;徐巖;;采用BP神經(jīng)網(wǎng)絡優(yōu)化醬油固態(tài)釀造條件[J];食品與生物技術學報;2016年05期

9 高俊平;張暉;趙旭劍;楊春明;李波;;基于特征詞的Web領域知識分類研究[J];軟件導刊;2016年02期

10 高強;陽武;李倩;;基于稀疏差異深度信念網(wǎng)絡的絕緣子故障識別算法[J];電測與儀表;2016年01期

【二級參考文獻】

相關期刊論文 前10條

1 武秀秀;宋愛國;王政;;六維力傳感器靜態(tài)解耦算法及靜態(tài)標定的研究[J];傳感技術學報;2013年06期

2 孫健;杜永貴;;RSSI-神經(jīng)網(wǎng)絡在無線傳感網(wǎng)絡定位中的應用[J];科學技術與工程;2013年06期

3 馮冬青;趙志遠;;基于RSSI的無線傳感器網(wǎng)絡改進定位算法[J];廣西大學學報(自然科學版);2012年06期

4 毛永毅;張宏君;李成;;基于BP神經(jīng)網(wǎng)絡的混合定位算法[J];計算機工程;2012年19期

5 孫志軍;薛磊;許陽明;王正;;深度學習研究綜述[J];計算機應用研究;2012年08期

6 凡高娟;侯彥娥;王汝傳;;基于RSSI參數(shù)糾正的無線傳感器網(wǎng)絡應急救災系統(tǒng)[J];鄭州大學學報(工學版);2012年04期

7 丁俊香;葛運建;李珊紅;徐菲;雙豐;;進化算法與基于同倫理論算法在多維觸覺陣列傳感器解耦應用中的對比[J];模式識別與人工智能;2012年03期

8 徐菲;;基于力敏導電橡膠的新型三維力柔性觸覺傳感器仿真研究[J];傳感技術學報;2012年03期

9 沈軍;黃春華;羅護;郭積寧;;基于RSSI優(yōu)化的模型參數(shù)實時估計定位算法[J];計算機工程與設計;2012年02期

10 胡偉;;改進的層次K均值聚類算法[J];計算機工程與應用;2013年02期

相關博士學位論文 前1條

1 何紅秋;HIV-1整合酶活性檢測方法建立和應用研究[D];北京工業(yè)大學;2010年

，

本文編號：1415855