癌癥是一類與細(xì)胞惡性增殖密切相關(guān)的疾病,長(zhǎng)期存在于人類歷史中。常見(jiàn)的致癌因素包括理化致癌、生活方式致癌、激素致癌、炎癥致癌和輻射致癌等。其中,化學(xué)致癌隨著近年來(lái)工業(yè)的高速發(fā)展和各類化學(xué)物質(zhì)在人類生活中的廣泛應(yīng)用,成為一大值得引起高度重視的致癌因素。因此,通過(guò)各種手段以預(yù)知一些潛在致癌的化合物就成為至關(guān)重要的一類研究�；瘜W(xué)致癌物質(zhì)的實(shí)驗(yàn)預(yù)測(cè)和驗(yàn)證早在40年前就已開(kāi)始,主要方法是體外實(shí)驗(yàn),但這些方法大多無(wú)法保證較高的可靠度,且在成本和通量方面受到限制。所以,基于定量構(gòu)效關(guān)系,從化合物的結(jié)構(gòu)信息來(lái)預(yù)測(cè)其致癌可能性就成為21世紀(jì)之后更加熱門的研究領(lǐng)域,但這類方法也存在兩個(gè)問(wèn)題,一是大多數(shù)據(jù)驅(qū)動(dòng)的模型在對(duì)應(yīng)評(píng)價(jià)指標(biāo)方面缺乏足夠好的表現(xiàn),二是構(gòu)建模型所采用的算法大多是傳統(tǒng)的機(jī)器學(xué)習(xí)算法,很難使預(yù)測(cè)結(jié)果得到進(jìn)一步提升。與此同時(shí),深度學(xué)習(xí)作為一種新興的,具有強(qiáng)大建模能力的方法,不僅在圖像,文本,音頻等領(lǐng)域展現(xiàn)出超越傳統(tǒng)方法的標(biāo)簽預(yù)測(cè)和信息提取能力,在化學(xué)信息學(xué)方面也已經(jīng)有各方面的應(yīng)用。同時(shí),相關(guān)研究大多局限于通用性致癌數(shù)據(jù),但化學(xué)致癌過(guò)程大多為毒性化合物引起人體病變后所致,因此需要一些額外的思路來(lái)拓展... 

【文章來(lái)源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

多層的全連接神經(jīng)網(wǎng)絡(luò)

earlystopping示意

蘭州大學(xué)碩士學(xué)位論文基于深度學(xué)習(xí)的化合物誘變性和線粒體毒性預(yù)測(cè)9′(x,y)=(x,y)+α||θ||（1-5）其中，||θ||表示權(quán)值懲罰項(xiàng)，α則是可調(diào)節(jié)參數(shù)。一般來(lái)說(shuō)有L1正則化和L2正則化兩種方式，即221||||Niiθθ==∑（1-6）11||||Niiθθ==∑（1-7）兩者依次分別表示L1范數(shù)和L2范數(shù)。此方法整體而言對(duì)模型表現(xiàn)的改善不如dropout和早停法，不過(guò)實(shí)驗(yàn)表明L2正則化相比L1正則化更有效。圖1-2earlystopping示意。圖1-3基礎(chǔ)RNN的網(wǎng)絡(luò)結(jié)構(gòu)。


本文編號(hào)：3132902