藥物發(fā)現(xiàn)和藥物重定向是一項花銷很高并且很耗時的進程,而推進藥物發(fā)現(xiàn)和藥物重定向進程發(fā)展的一個有效的方法是從分子層面上對藥物和靶標的相互作用關系進行預測。傳統(tǒng)的方法對藥物和靶標的相互作用關系進行預測存在特征難以獲取以及計算復雜度高等問題。因此,近年來,許多統(tǒng)計學習方法被用來解決藥物靶標相互作用關系預測問題,盡管他們在預測上很有效,但是它們仍存在以下問題:首先是缺少負樣本的問題,在現(xiàn)在所有的記錄藥物靶標相互作用關系的數(shù)據(jù)庫中,均只有已經(jīng)經(jīng)過實驗驗證的藥物靶標相互作用關系數(shù)據(jù),而經(jīng)過實驗驗證的藥物靶標之間不存在相互作用的數(shù)據(jù)在任何數(shù)據(jù)庫中都沒有記錄。其次是藥物靶標的特征選取以及表示問題,主要是考慮如何選擇合適的特征以貼合的表達一個藥物一個靶標,怎樣組合藥物特征和靶標特征才能完整表達一個藥物靶標對。為了解決上述的兩個問題,本文做了如下工作。1)在藥物靶標對特征構建的過程中,本文針對藥物結構特征矩陣和靶標結構特征矩陣它們內部存在相互依賴的問題,提出了一種適用于0-1矩陣的信息增益主成分分析法（Information Gain Principal Component Analysis,IGPCA）... 

【文章來源】：湖南大學湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究的背景及意義
    1.2 藥物與靶標相互作用關系研究現(xiàn)狀
        1.2.1 基于雙邊圖的研究現(xiàn)狀
        1.2.2 基于矩陣的研究現(xiàn)狀
        1.2.3 基于機器學習的研究現(xiàn)狀
    1.3 主要工作
    1.4 本文結構
第2章 相關概念及技術介紹
    2.1 監(jiān)督學習算法模型
        2.1.1 模型和參數(shù)
        2.1.2 目標函數(shù)
        2.1.3 梯度下降法
    2.2 相關性分析
        2.2.1 協(xié)方差和皮爾遜相關系數(shù)
        2.2.2 主成分分析法
        2.2.3 奇異值分解法
    2.3 Logistic回歸分類
        2.3.1 Logistic回歸模型和參數(shù)
        2.3.2 Logistic的目標方程
    2.4 評價指標
    2.5 小結
第3章 基于特征構建的藥物靶標關系預測
    3.1 引言
    3.2 藥物靶標對特征構建框架
    3.3 結構特征的處理
    3.4 網(wǎng)絡特征的構建
        3.4.1 使用主成分分析法處理網(wǎng)絡特征
        3.4.2 使用奇異值分解法獲取網(wǎng)絡特征
        3.4.3 使用相似性表示網(wǎng)絡特征
    3.5 藥物靶標對特征構建過程
    3.6 實驗與分析
        3.6.1 實驗數(shù)據(jù)
        3.6.2 對比實驗說明
        3.6.3 藥物靶標對五折交叉驗證
        3.6.4 新藥物五折交叉驗證
        3.6.5 新靶標五折交叉驗證
        3.6.6 新藥物新靶標的網(wǎng)絡特征驗證
    3.7 小結
第4章 基于邏輯回歸的藥物靶標關系預測
    4.1 引言
    4.2 二維邏輯回歸模型
    4.3 二維邏輯回歸模型求解
        4.3.1 皮爾遜相關系數(shù)方法初始化過程
        4.3.2 隨機梯度下降法迭代求解
    4.4 二維邏輯回歸預測
    4.5 實驗及分析
        4.5.1 實驗數(shù)據(jù)
        4.5.2 對比實驗說明
        4.5.3 藥物靶標對五折交叉驗證
        4.5.4 新藥物五折交叉驗證
        4.5.5 新靶標五折交叉驗證
        4.5.6 參數(shù)設置
        4.5.7 新藥物新靶標實例
    4.6 小結
結論
參考文獻
附錄 A發(fā)表論文和參加科研情況說明
致謝



本文編號：2923381