復雜生物系統(tǒng)由各種生物分子組成,任何一項生物功能都是有很多生物分子共同參與完成的,從復雜網(wǎng)絡(luò)的角度研究生物分子的性質(zhì)、功能是當前生物信息學的重要研究方向。隨著新興生物技術(shù)和數(shù)據(jù)庫技術(shù)的迅速發(fā)展,產(chǎn)生了海量的組學數(shù)據(jù),這為研究人員從分子水平上探索和揭示生命體的各項生命活動提供了豐富的數(shù)據(jù)來源,也使得構(gòu)建不同生物分子（或?qū)嶓w）間的相互作用網(wǎng)絡(luò)成為可能。整合多組學數(shù)據(jù)構(gòu)建生物網(wǎng)絡(luò)并推斷不同生物實體的交互關(guān)系是網(wǎng)絡(luò)生物學的重要研究課題,它可以揭示分子間的各種合作機制,幫助研究者了解生物分子功能,同時還能加深對各種復雜疾病的發(fā)生、發(fā)展和活動規(guī)律的理解。然而,面對海量的生物數(shù)據(jù),僅依靠生物實驗來探索交互關(guān)系,不僅要耗費大量的人力、物力,還要相當長的時間。機器學習作為人工智能的核心,在各行各業(yè)都發(fā)揮著重要的作用。隨著計算機技術(shù)和統(tǒng)計學理論的發(fā)展,大量的機器學習模型被提出,以統(tǒng)計學理論為指導,利用機器學習模型和計算機技術(shù)來解決生物上的問題是當前生物信息的重要研究手段。利用數(shù)據(jù)挖掘、機器學習等計算手段作為生物實驗的輔助和指導,可以快捷地從海量數(shù)據(jù)中進行初步篩選,大大的縮短了實驗的時間成本和資源花費。針對... 

【文章來源】：華中師范大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：174 頁

【學位級別】：博士

【部分圖文】：

圖１．１本文的組織結(jié)構(gòu)圖??其中，第三章所提出的多核鄰域相似性（ＭＫＳＮＳ）校－型足其他Ｍ絡(luò)推斷投型的雄礎(chǔ)，具體??

博ｉ學位論文??ＯＯＣＴＯＲＡＬ?Ｄ．ＳＳ．ＨＴＡＴＩＯＸ???點的線性重構(gòu)來計算樣本間的相似性，確實在一定程度上忽略非鄰域樣本的噪聲干擾，節(jié)省了??存儲空間，然而，它也完全舍棄非鄰域樣本對相似性的貢獻，且僅僅適合樣本的線性關(guān)系下的??相似性度量。考慮到ＬＮＳ相似性計算的局限性，本文提出了一種新的相似性計算方式，多核鄰??域相似性（ＭＫＳＮＳ），不僅可以分層挖掘樣本間的結(jié)構(gòu)相似性信息，而且適用具有非線性關(guān)系??的樣本集合。三種主要的相似性計算的示意圖如圖３．１所示。??Ａｅ?＼?：??（ａ）成對相似性計算?（ｂ）線性鄰域相似??，’一??＇＇Ｏ＇＇??（ｃ）多核鄰域相似性??圖３．１不同相似性度量的對比示意圖??圖３．１給出了?３種不同類型的相似性計算方式，即通過不同的方式計算樣本八１和其他樣本的??相似性關(guān)系。具體的，圖３．１中的（ａ）表示利用成對相似性度量來計算ＡＪＵＡ２、Ａ３、Ａ４、厶５和六６的??相似性關(guān)系，容易看出，成對相似性的計算結(jié)果只與當前兩個樣本的特征有關(guān)，與其他樣本特??征無關(guān)。圖３．１中的（ｂ）表示線性鄰域相似性，它通過設(shè)置鄰域范圍（虛線圓圈表示），然后利用??鄰域中的樣本｛Ａ２，?Ａ４，４５）對六１的線性重構(gòu)系數(shù)作為相似性度量，由于々３和六６不是Ａ：的鄰域，因??此它們與六１的相似性值為０。圖３．１中的（ｃ）表示本文提出的多核鄰域相似性，它通過設(shè)置分層權(quán)??重來區(qū)分鄰域和非鄰域樣本的重要性，即鄰域樣本｛Ａ２，Ａ４，ＡＳ｝對影響要比｛Ａ３，Ａ６｝對樣本Ａｉ??的影響更大，其中曲線表所有的重構(gòu)關(guān)系可以是非線性的。本小節(jié)從軟鄰域相似性、核鄰域相??似性和多核鄰域相似性三個過程詳細介

圖４．１?ＣＤ相似

【參考文獻】：
期刊論文
[1]基于PU學習的鏈接預(yù)測方法[J]. 李琦,王智強,梁吉業(yè).  模式識別與人工智能. 2019(09)
[2]基于PU學習的建議語句分類方法[J]. 張璞,劉暢,李逍.  計算機應(yīng)用. 2019(03)
[3]半監(jiān)督學習理論及其研究進展概述[J]. 屠恩美,楊杰.  上海交通大學學報. 2018(10)
[4]隨機游走技術(shù)在網(wǎng)絡(luò)生物學中的研究進展[J]. 李敏,王曉桐,羅慧敏,孟祥茂,王建新.  電子學報. 2018(08)
[5]基于關(guān)聯(lián)分類算法的PU學習研究[J]. 楊建林,劉揚.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2017(11)
[6]Roles, Functions, and Mechanisms of Long Non-coding RNAs in Cancer[J]. Yiwen Fang,Melissa J.Fullwood.  Genomics,Proteomics & Bioinformatics. 2016(01)
[7]A Bipartite Network-based Method for Prediction of Long Non-coding RNA–protein Interactions[J]. Mengqu Ge,Ao Li,Minghui Wang.  Genomics,Proteomics & Bioinformatics. 2016(01)
[8]半監(jiān)督學習方法[J]. 劉建偉,劉媛,羅雄麟.  計算機學報. 2015(08)
[9]針對不確定正例和未標記學習的最近鄰算法(英文)[J]. 潘世瑞,張陽,李雪,王勇.  計算機科學與探索. 2010(09)

博士論文
[1]稀疏子空間聚類及快速算法的研究[D]. 王君.哈爾濱工業(yè)大學 2019
[2]基于對稱非負矩陣分解的信息融合方法與應(yīng)用研究[D]. 馬園園.華中師范大學 2018
[3]基于生物網(wǎng)絡(luò)的復雜疾病關(guān)聯(lián)miRNA預(yù)測方法研究[D]. 陳敏.湖南大學 2018
[4]約束非負矩陣分解算法及其應(yīng)用研究[D]. 錢彬.南京理工大學 2018
[5]基于子空間學習的數(shù)據(jù)表示方法研究[D]. 羅鵬.西北大學 2017
[6]基于生物網(wǎng)絡(luò)的致病miRNA預(yù)測及模塊識別算法研究[D]. 肖球.湖南大學 2017
[7]藥物—靶標相互作用預(yù)測及其在藥物重定位中的應(yīng)用研究[D]. 彭利紅.湖南大學 2017
[8]基于圖的大規(guī)模半監(jiān)督學習算法及應(yīng)用研究[D]. 劉斌.電子科技大學 2017
[9]核函數(shù)逼近方法若干理論與應(yīng)用研究[D]. 李俊彬.大連理工大學 2017
[10]基于圖的半監(jiān)督學習算法及其應(yīng)用[D]. 翁立波.南京理工大學 2017

碩士論文
[1]基于相似度的PU文本分類算法研究[D]. 張路.合肥工業(yè)大學 2018
[2]基于數(shù)據(jù)融合的生物網(wǎng)絡(luò)推斷[D]. 滕奔.大連理工大學 2016
[3]基于核函數(shù)理論的改進FDA間歇過程故障診斷研究[D]. 付元建.哈爾濱理工大學 2016



本文編號：3461983