發(fā)布時間：2017-05-01 08:07

  本文關(guān)鍵詞：基于RBM的小分子活性及選擇性研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：從自然界中尋找新藥是一個耗時耗力的過程。隨著計算機(jī)輔助藥物設(shè)計和化學(xué)信息學(xué)的發(fā)展,對化學(xué)結(jié)構(gòu)與生物活性及選擇性的相關(guān)性研究(SAR SSR)越來越受到重視。這是因為SAR SSR可以通過計算機(jī)高效地對小分子成藥的可能性進(jìn)行評估,進(jìn)而極大地減少了藥物開發(fā)的成本,然而,小分子活性研究仍缺乏高效準(zhǔn)確的預(yù)測方法。此外,小分子選擇性也多在后期測驗或臨床試驗才知曉,如果發(fā)現(xiàn)即將被拿來制藥的小分子有副作用將浪費大量人力物力以及增加時間成本。這些都成為藥物發(fā)現(xiàn)的瓶頸,對新藥研發(fā)的速度和準(zhǔn)確度提出了挑戰(zhàn)�；跈C(jī)器學(xué)習(xí)的小分子活性和選擇性預(yù)測一直以來都是藥物發(fā)現(xiàn)中一個重要的研究課題之一,眾多研究者已經(jīng)做了大量的研究工作。不同于在一般統(tǒng)計分析上的化學(xué)結(jié)構(gòu)-活性(SAR)及化學(xué)結(jié)構(gòu)-選擇性(SSR)模型的研究,本文主要基于受限玻爾茲曼機(jī)(RBM)的協(xié)同過濾、深度學(xué)習(xí)等機(jī)器學(xué)習(xí)方法實現(xiàn)了小分子活性/選擇性的研究與預(yù)測。主要的研究內(nèi)容包括以下幾個方面：1. 將推薦系統(tǒng)中的用戶、商品、評分分別與化學(xué)信息學(xué)中的靶標(biāo)、小分子、活性相對應(yīng),構(gòu)建一個稀疏的靶蛋白-小分子矩陣,獲得一個推薦小分子數(shù)據(jù)集。2. 將基于受限玻爾茲曼機(jī)的協(xié)同過濾算法成功應(yīng)用到化學(xué)信息學(xué)中的小分子活性預(yù)測問題,實現(xiàn)小分子的推薦。3. 對基于深度信念網(wǎng)絡(luò)(DBN)的深度學(xué)習(xí)算法加以改進(jìn),使其成功融合多任務(wù)學(xué)習(xí)方法,通過RBM無監(jiān)督過程可有效學(xué)習(xí)小分子描述符的分布式表示以及使用多任務(wù)學(xué)習(xí)方法提高小分子選擇性預(yù)測的準(zhǔn)確率。本文利用得到的推薦小分子數(shù)據(jù)集驗證了基于受限玻爾茲曼機(jī)的協(xié)同過濾算法的正確性和效率,并用明尼蘇達(dá)大學(xué)所收集的SSR數(shù)據(jù)集驗證了基于DBN多任務(wù)深度學(xué)習(xí)算法的有效性和準(zhǔn)確性。論文的研究成果將大大降低藥物開發(fā)成本,縮短藥物發(fā)現(xiàn)周期,為科學(xué)家從海量化學(xué)數(shù)據(jù)中進(jìn)行藥物發(fā)現(xiàn)研究提供了支持。
【關(guān)鍵詞】：SAR SSR 受限玻爾茲曼機(jī) 協(xié)同過濾 深度學(xué)習(xí) 多任務(wù)學(xué)習(xí)
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP181;R91
【目錄】：

• 中文摘要3-4
• Abstract4-7
• 第一章 緒論7-13
• 1.1 研究背景7-9
• 1.1.1 新時代藥物發(fā)現(xiàn)研究面臨的機(jī)遇和挑戰(zhàn)7-8
• 1.1.2 受限玻爾茲曼機(jī)的興起和應(yīng)用8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-11
• 1.2.1 SAR國內(nèi)外研究現(xiàn)狀9-10
• 1.2.1 SSR國內(nèi)外研究現(xiàn)狀10-11
• 1.3 本文主要工作11-12
• 1.4 論文組織機(jī)構(gòu)12-13
• 第二章 相關(guān)理論技術(shù)概述13-20
• 2.1 受限玻爾茲曼機(jī)13-15
• 2.2 協(xié)同過濾15-17
• 2.3 深度學(xué)習(xí)17-19
• 2.4 多任務(wù)學(xué)習(xí)19-20
• 第三章 小分子推薦中靶蛋白-小分子矩陣構(gòu)建20-27
• 3.1 商品推薦vs.小分子推薦20-22
• 3.2 構(gòu)建靶蛋白-小分子矩陣的可行性22
• 3.3 靶蛋白-小分子矩陣的構(gòu)建22-23
• 3.4 靶蛋白-小分子矩陣統(tǒng)計特性23-26
• 3.4.1 無活性/弱活性/活性小分子分布24-25
• 3.4.2 小分子相似性比較25-26
• 3.5 本章小結(jié)26-27
• 第四章 基于RBM的協(xié)同過濾算法在藥物發(fā)現(xiàn)領(lǐng)域的應(yīng)用27-31
• 4.1 需求分析27-28
• 4.2 基于RBM模型的小分子活性預(yù)測28
• 4.3 小分子推薦評估方法28-29
• 4.4 實驗結(jié)果與分析29-30
• 4.5 本章小結(jié)30-31
• 第五章 基于RBM的SSR多任務(wù)深度學(xué)習(xí)模型31-43
• 5.1 小分子選擇性實驗數(shù)據(jù)以及評估方法31-33
• 5.1.1 數(shù)據(jù)集31-32
• 5.1.2 符號定義32-33
• 5.1.3 評估方法33
• 5.2 基于神經(jīng)網(wǎng)絡(luò)的SSR多任務(wù)模型33-37
• 5.2.1 SSRm1000-lr、SSRm2048-lr、SSR1000w-lr預(yù)測模型34-35
• 5.2.2 實驗結(jié)果與分析35-37
• 5.3 基于DBN的SSR多任務(wù)模型37-42
• 5.3.1 SSRmDBN、SSRDBN、SSRDBNw預(yù)測模型38
• 5.3.2 實驗結(jié)果與分析38-42
• 5.4 本章小結(jié)42-43
• 第六章 總結(jié)與展望43-45
• 6.1 本文總結(jié)43
• 6.2 未來工作的展望43-45
• 參考文獻(xiàn)45-49
• 研究生期間研究成果49-50
• 致謝50

【相似文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 李娟;基于RBM的小分子活性及選擇性研究[D];蘭州大學(xué);2015年

2 葉睿;基于深度學(xué)習(xí)的人臉檢測方法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 王海麟;通過信息幾何方法挖掘玻爾茲曼機(jī)的不變性[D];天津大學(xué);2014年

4 仝少敏;基于受限玻爾茲曼機(jī)的面部運動識別方法研究[D];哈爾濱工業(yè)大學(xué);2014年

5 李平;監(jiān)督概率主題模型研究[D];安徽工業(yè)大學(xué);2014年

  本文關(guān)鍵詞：基于RBM的小分子活性及選擇性研究，由筆耕文化傳播整理發(fā)布。

本文編號：338545