發(fā)布時(shí)間：2022-12-04 17:43

　　藥物的早期篩選通常需要經(jīng)過(guò)藥物設(shè)計(jì)、細(xì)胞實(shí)驗(yàn)、動(dòng)物實(shí)驗(yàn)與臨床實(shí)驗(yàn)等步驟,一個(gè)新藥的研發(fā)與篩選通常需要耗費(fèi)將近十年的時(shí)間以及上百億元,而這些花費(fèi)可能因藥物在人體中的不適應(yīng)性、無(wú)效性、毒性等原因而無(wú)效。因此,基于人類(lèi)細(xì)胞的基因表達(dá)數(shù)據(jù)與深度學(xué)習(xí)方法相結(jié)合,對(duì)新藥物效應(yīng)預(yù)測(cè)的研究能夠減少藥物的早期篩選過(guò)程中的額外花費(fèi),并為提升新藥探索的成功率作出貢獻(xiàn)。本文利用尋找拓?fù)鋱D中最短路徑的算法來(lái)對(duì)基因互作網(wǎng)絡(luò)的上下文來(lái)進(jìn)行捕捉,并將捕捉到的基因上下文用于訓(xùn)練機(jī)器學(xué)習(xí)算法,生成最終能夠代表每個(gè)基因功能與意義的基因向量�；谶@些基因向量與細(xì)胞的基因表達(dá)數(shù)據(jù),最終整合出能夠代表每個(gè)細(xì)胞各方面狀態(tài)的細(xì)胞向量,并通過(guò)查看藥物處理前后細(xì)胞狀態(tài)的改變來(lái)判斷藥物對(duì)細(xì)胞的效應(yīng)。這種方式能夠從更宏觀的,即整個(gè)細(xì)胞的狀態(tài)變化角度,來(lái)判斷藥物在人類(lèi)細(xì)胞中產(chǎn)生的效應(yīng)。為了預(yù)測(cè)藥物對(duì)人類(lèi)細(xì)胞基因表達(dá)的改變,本文構(gòu)建了以藥物分子結(jié)構(gòu)為輸入,細(xì)胞狀態(tài)變化為輸出的深度學(xué)習(xí)模型,并將訓(xùn)練后的模型應(yīng)用并預(yù)測(cè)模型未曾學(xué)習(xí)過(guò)的小分子藥物對(duì)細(xì)胞狀態(tài)所產(chǎn)生的效應(yīng),取得了良好的預(yù)測(cè)效果;證明了深度學(xué)習(xí)應(yīng)用于藥物早期篩選、預(yù)測(cè)細(xì)胞基因表達(dá)狀態(tài)變化的... 

【文章頁(yè)數(shù)】：99 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 基因表達(dá)數(shù)據(jù)
        1.2.1 基因表達(dá)數(shù)據(jù)簡(jiǎn)介
        1.2.2 基因表達(dá)數(shù)據(jù)傳統(tǒng)表示與數(shù)據(jù)內(nèi)容
        1.2.3 基因表達(dá)數(shù)據(jù)傳統(tǒng)處理與分析方法
    1.3 基因互作網(wǎng)絡(luò)
    1.4 機(jī)器學(xué)習(xí)
        1.4.1 機(jī)器學(xué)習(xí)簡(jiǎn)介
        1.4.2 t-分布隨機(jī)鄰域嵌入
    1.5 深度學(xué)習(xí)
        1.5.1 詞嵌入
        1.5.2 圖卷積神經(jīng)網(wǎng)絡(luò)
        1.5.3 注意力機(jī)制
        1.5.4 門(mén)控機(jī)制
        1.5.5 遷移學(xué)習(xí)——預(yù)訓(xùn)練與微調(diào)
    1.6 迪杰斯特拉算法
    1.7 化合物分子結(jié)構(gòu)的表征
    1.8 基于深度學(xué)習(xí)的化合物表征對(duì)細(xì)胞效應(yīng)的預(yù)測(cè)
    1.9 基于機(jī)器學(xué)習(xí)的化合物結(jié)構(gòu)與基因表達(dá)數(shù)據(jù)對(duì)細(xì)胞效應(yīng)的預(yù)測(cè)
    1.10 本文的研究?jī)?nèi)容和技術(shù)路線
第2章 計(jì)算方法、模型與過(guò)程
    2.1 基因向量的生成
        2.1.1 數(shù)據(jù)來(lái)源與處理
        2.1.2 廣義的基因互作網(wǎng)絡(luò)信息流上下文捕捉
        2.1.3 word2vec生成基因向量
    2.2 細(xì)胞向量的生成
        2.2.1 數(shù)據(jù)來(lái)源與處理
        2.2.2 從基因向量到細(xì)胞向量
    2.3 深度學(xué)習(xí)預(yù)測(cè)化合物性質(zhì)——預(yù)訓(xùn)練
        2.3.1 數(shù)據(jù)來(lái)源與處理
        2.3.2 預(yù)測(cè)模型構(gòu)建
        2.3.3 預(yù)訓(xùn)練模型超參數(shù)調(diào)整
    2.4 化合物對(duì)細(xì)胞效應(yīng)的深度模型——微調(diào)
        2.4.1 數(shù)據(jù)來(lái)源與處理
        2.4.2 干擾細(xì)胞改變預(yù)測(cè)模型構(gòu)建
        2.4.3 微調(diào)模型超參數(shù)調(diào)整
    2.5 本章小結(jié)
第3章 基因向量與細(xì)胞向量的評(píng)價(jià)
    3.1 基因向量的評(píng)價(jià)
        3.1.1 與細(xì)胞粘附功能相關(guān)基因
        3.1.2 與細(xì)胞周期功能相關(guān)基因
        3.1.3 與細(xì)胞分化功能相關(guān)基因
        3.1.4 與細(xì)胞遷移功能相關(guān)基因
        3.1.5 與發(fā)育功能相關(guān)基因
        3.1.6 與DNA修復(fù)功能相關(guān)基因
        3.1.7 與DNA復(fù)制功能相關(guān)基因
        3.1.8 與免疫反應(yīng)功能相關(guān)基因
        3.1.9 與RNA剪切功能相關(guān)基因
    3.2 細(xì)胞向量的評(píng)價(jià)
        3.2.1 皮膚組織細(xì)胞的細(xì)胞向量
        3.2.2 肺部組織細(xì)胞的細(xì)胞向量
        3.2.3 腎組織細(xì)胞的細(xì)胞向量
        3.2.4 肝組織細(xì)胞的細(xì)胞向量
        3.2.5 大腸組織細(xì)胞的細(xì)胞向量
        3.2.6 乳腺組織細(xì)胞的細(xì)胞向量
        3.2.7 前列腺組織細(xì)胞的細(xì)胞向量
        3.2.8 正常細(xì)胞、原代細(xì)胞與癌細(xì)胞的區(qū)分
    3.3 本章小結(jié)
第4章 化合物預(yù)測(cè)干擾細(xì)胞改變的模型結(jié)果評(píng)價(jià)
    4.1 訓(xùn)練數(shù)據(jù)集與驗(yàn)證數(shù)據(jù)集結(jié)果
        4.1.1 預(yù)訓(xùn)練
        4.1.2 微調(diào)
    4.2 測(cè)試數(shù)據(jù)集結(jié)果
    4.3 實(shí)例比較
        4.3.1 帕博西尼的預(yù)測(cè)值與實(shí)驗(yàn)值比較
        4.3.2 拉帕替尼的預(yù)測(cè)值與實(shí)驗(yàn)值比較
        4.3.3 博蘇替尼的預(yù)測(cè)值與實(shí)驗(yàn)值比較
        4.3.4 舒尼替尼的預(yù)測(cè)值與實(shí)驗(yàn)值比較
        4.3.5 利尼伐尼的預(yù)測(cè)值與實(shí)驗(yàn)值比較
    4.4 本章小結(jié)
結(jié)論與展望
參考文獻(xiàn)
附錄1 所引用圖片的版權(quán)許可相關(guān)材料
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]機(jī)器學(xué)習(xí)在數(shù)據(jù)挖掘中的作用[J]. 周昕,王小玉.  電腦學(xué)習(xí). 2010(03)
[2]基于2D分子指紋的分子相似性方法在虛擬篩選中的應(yīng)用[J]. 唐玉煥,林克江,尤啟冬.  中國(guó)藥科大學(xué)學(xué)報(bào). 2009(02)



本文編號(hào)：3708709