復雜疾病的致病機理復雜,如果使用單種藥物進行治療,容易產(chǎn)生抗藥性。藥物組合治療具有高效和低毒等特性,正在成為一種新的復雜疾病治療手段。盡管人們開發(fā)了高通量藥物組合篩選平臺,但是進行藥物組合實驗所需的金錢和時間代價很大。因此需要一種算法幫助找到潛在的協(xié)同的藥物組合,進一步的縮小藥物組合實驗范圍。目前藥物組合預測模型可以分為四類:基于表達數(shù)據(jù)的藥物組合預測模型、基于PPI網(wǎng)絡的藥物組合預測模型、基于代謝路徑的藥物組合預測模型和基于藥物相似性的機器學習藥物組合預測模型。這些模型存在數(shù)據(jù)有偏、結(jié)果差和可用數(shù)據(jù)少等缺點。本文提出一種基于圖表示學習的藥物組合預測算法NEMNDC（Network Embedding framework in Multiplex Networks for Drug Combinations）,改進了現(xiàn)有的基于藥物相似性的機器學習藥物組合預測模型。首先,通過部分的藥物組合數(shù)據(jù)對每層藥物相似性網(wǎng)絡進行重要性評估;然后,使用二階有偏隨機游走進行網(wǎng)絡采樣,得到隨機游走的路徑,并根據(jù)路徑生成訓練模型所需的正負樣本;隨后,通過構(gòu)建SkipGram模型學習藥物節(jié)點的向量表示;最后,... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

藥物組合預測算法總體框圖

(3-2)圖3.3 二階有偏隨機游走示意圖[44]txd代表節(jié)點t和節(jié)點 x 之間的網(wǎng)絡上最短距離，由于最多只看二階信息，因此距離肯定在{0,1,2}中。v 節(jié)點代表現(xiàn)在的節(jié)點，下一個節(jié)點 x ，上一個節(jié)點是t，根據(jù)節(jié)點t和 x 之間的關(guān)系，用 ( t , x)來調(diào)節(jié)鄰接矩陣W權(quán)重，調(diào)整后的 ( t , x ) W可以按照一定的選擇游走向社團內(nèi)部或者游走向社團外部。通過調(diào)節(jié)路徑上節(jié)點出現(xiàn)的概率，可以改變隨機游走后的路徑中節(jié)點的前后頻率

如圖 3.4 所示，含有 6 個節(jié)點和 9 條邊，每條邊的權(quán)重都是 1，同時是一個無向圖。圖3.4 無向單層網(wǎng)絡示意圖圖3.5 網(wǎng)絡路徑示意圖1 3 6 2 3 4 1 5 6


本文編號：2912231