隨著生物醫(yī)學(xué)大數(shù)據(jù)的到來(lái),通過(guò)蛋白質(zhì)組學(xué)數(shù)據(jù)挖掘其潛在的生物學(xué)價(jià)值,對(duì)于研究分子間作用機(jī)理、藥物設(shè)計(jì)和人類疾病防治具有重要意義。而利用實(shí)驗(yàn)的方法是耗時(shí)且耗費(fèi)資源的,運(yùn)用計(jì)算方法預(yù)測(cè)蛋白質(zhì)功能顯得尤為重要。隨著深度學(xué)習(xí)的蓬勃發(fā)展,通過(guò)深度學(xué)習(xí)預(yù)測(cè)蛋白質(zhì)-蛋白質(zhì)相互作用（ProteinProtein Interactions,PPIs）和藥物-靶點(diǎn)相互作用（Drug-Target Interactions,DTIs）已經(jīng)成為生物信息學(xué)的研究熱點(diǎn)。本課題基于深度學(xué)習(xí)預(yù)測(cè)PPIs和DTIs,主要研究?jī)?nèi)容如下:1.提出基于集成殘差卷積神經(jīng)網(wǎng)絡(luò)（Ensemble Residual Convolution Neural Network）的蛋白質(zhì)-蛋白質(zhì)相互作用預(yù)測(cè)方法,稱之為EResCNN。首先融合偽氨基酸組成（Pseudo-Amino Acid Composition,PseAAC）、自協(xié)方差描述符（Auto Covariance,AC）、偽位置特異性得分矩陣（Pseudo Position-Specific Scoring Matrix,PsePSSM）、分組重量編碼（Encoding Base... 

【文章來(lái)源】：青島科技大學(xué)山東省

【文章頁(yè)數(shù)】：99 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

蛋白質(zhì)-蛋白質(zhì)相互作用三維立體結(jié)構(gòu)圖[11]，(A)為蛋白質(zhì)-蛋白質(zhì)相互作用分子結(jié)構(gòu)示意圖，(B)為蛋白質(zhì)-蛋白質(zhì)相互作用網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

青島科技大學(xué)研究生學(xué)位論文3分子生物學(xué)的發(fā)展，研究人員已經(jīng)設(shè)計(jì)了一系列可用的公共數(shù)據(jù)庫(kù)，如SuperTarget[24]、KEGG[25]、DrugBank[26]和TTD[27]。這些數(shù)據(jù)庫(kù)容納著大量的化合物，但是其與相應(yīng)蛋白和相關(guān)藥物之間的相互作用是未知的，藥物-靶點(diǎn)相互作用的研究可以減少發(fā)現(xiàn)新的候選藥物的研究周期，而且對(duì)于檢測(cè)藥物重新定位的副作用也至關(guān)重要。圖1-2藥物-靶點(diǎn)相互作用的分子模擬圖和藥物-靶點(diǎn)相互作用的網(wǎng)絡(luò)圖[28]。(A)為藥物-靶點(diǎn)相互作用分子結(jié)構(gòu)示意圖，(B)為藥物-靶點(diǎn)相互作用網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖。Fig.1-2Molecularsimulationandnetworkfigureofdrug-targetinteractions.(A)isamolecularstructurefigureofdrug-targetinteractions,(B)isatopologyfigureofdrug-targetinteractionsnetwork.自2000年代初以來(lái)，深度學(xué)習(xí)在圖像識(shí)別、語(yǔ)音識(shí)別和翻譯等領(lǐng)域受到在學(xué)術(shù)界和工業(yè)界的極大重視[29]。而深度學(xué)習(xí)具有強(qiáng)大的特征學(xué)習(xí)及序列和圖像數(shù)據(jù)處理能力，非常適合處理生物醫(yī)學(xué)數(shù)據(jù)，引起研究人員的廣泛關(guān)注。深度學(xué)習(xí)通過(guò)模仿大腦結(jié)構(gòu)為輸入數(shù)據(jù)的高效處理提供了新技術(shù)和新思路。深度學(xué)習(xí)的框架包括自編碼網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、殘差神經(jīng)網(wǎng)絡(luò)、膠囊神經(jīng)網(wǎng)絡(luò)和其它新興架構(gòu)。隨著計(jì)算機(jī)硬件提供更多

青島科技大學(xué)研究生學(xué)位論文27其中，11(,)ttiiyglyy表示樣本的一階導(dǎo)數(shù)，而121(,)ttiiyhlyy表示每個(gè)樣本二階導(dǎo)數(shù)。2.5深度學(xué)習(xí)方法深度學(xué)習(xí)通過(guò)逐層非線性映射的方法來(lái)識(shí)別和學(xué)習(xí)未知樣本的數(shù)據(jù)分布，輸入特征和輸出類別之間的隱藏單元可以提供更高級(jí)別的抽象信息[120]，而且適用于多任務(wù)和多目標(biāo)學(xué)習(xí)。目前比較流行的深度學(xué)習(xí)框架包括深度神經(jīng)網(wǎng)絡(luò)也稱為深度神經(jīng)網(wǎng)絡(luò)(DeepNeuralNetwork,DNN)、卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork,CNN)循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeuralNetwork,RNN)、自編碼網(wǎng)絡(luò)(Autoencodernetwork)，如圖2-1所示。圖2-1四種深度學(xué)習(xí)框架示意圖，包括深度神經(jīng)網(wǎng)絡(luò)(A)、卷積神經(jīng)網(wǎng)絡(luò)(B)、循環(huán)神經(jīng)網(wǎng)絡(luò)(C)和自編碼網(wǎng)絡(luò)(D)。Fig.2-1Schematicfiguresoffourdeeplearningframeworks,includingdeepneuralnetwork(A),convolutionalneuralnetwork(B),recurrentneuralnetwork(C),andauto-encodernetwork(D).2.5.1深度神經(jīng)網(wǎng)絡(luò)深度神經(jīng)網(wǎng)絡(luò)(DeepNeuralNetwork,DNN)是由Hinton等人[121]基于人腦學(xué)習(xí)的思想提出了一種的機(jī)器學(xué)習(xí)方法，相比較于淺層神經(jīng)網(wǎng)絡(luò)，DNN是多層隱藏層組成的框架，將樣本空間中的數(shù)據(jù)映射到一個(gè)具有更強(qiáng)解釋性的特征空間。DNN中第i層的任意一個(gè)神經(jīng)元與第i1層的任意一個(gè)神經(jīng)元相連，在輸入層接收數(shù)據(jù)，在各個(gè)節(jié)點(diǎn)中將輸入數(shù)據(jù)與權(quán)重相乘，通過(guò)非線性激活函數(shù)得到輸出值，通過(guò)計(jì)算平均梯度并相應(yīng)地調(diào)整權(quán)重和偏置，如圖2-1(A)所示。

【參考文獻(xiàn)】：
碩士論文
[1]基于多信息融合的蛋白質(zhì)相互作用預(yù)測(cè)研究[D]. 吳雪.青島科技大學(xué) 2019
[2]基于機(jī)器學(xué)習(xí)的蛋白質(zhì)亞線粒體定位預(yù)測(cè)研究[D]. 邱文瑩.青島科技大學(xué) 2019
[3]蛋白質(zhì)亞細(xì)胞定位的機(jī)器學(xué)習(xí)方法及其應(yīng)用研究[D]. 李珊.青島科技大學(xué) 2018
[4]基于多信息融合的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)研究[D]. 婁立峰.青島科技大學(xué) 2018
[5]特征選擇及其在生物信息處理中的應(yīng)用研究[D]. 張維健.大連理工大學(xué) 2015
[6]基于序列的蛋白質(zhì)功能預(yù)測(cè)研究[D]. 黃淑云.南昌大學(xué) 2012
[7]蛋白質(zhì)亞細(xì)胞定位的序列編碼及預(yù)測(cè)方法研究[D]. 張麗.湖南大學(xué) 2010



本文編號(hào)：3211613