藥物發(fā)現(xiàn)與設(shè)計是一個耗資大、周期長、風(fēng)險高、成功率與效率低的系統(tǒng)工程。據(jù)統(tǒng)計,一個新藥從初始概念到投放市場平均耗時10¹5年,平均花費是8¹5億美元,盡管如此,每年也僅有約10%的藥物獲得美國食品和藥物管理局認(rèn)證。藥物-靶標(biāo)互作關(guān)系(drug-target interaction,DTI)識別是藥物發(fā)現(xiàn)與設(shè)計中一個關(guān)鍵步驟,有助于理解復(fù)雜的生物作用,重要的生物過程,加速新藥發(fā)現(xiàn),降低研發(fā)成本,提升人類醫(yī)療水平。隨著藥物、靶標(biāo)、藥物-靶標(biāo)互作關(guān)系數(shù)據(jù)的積累及機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、網(wǎng)絡(luò)藥理學(xué)等理論與方法的研究深入,采用計算方法預(yù)測藥物-靶標(biāo)互作關(guān)系成為可能。因此,本文針對藥物-靶標(biāo)互作關(guān)系查詢驗證,藥物、靶標(biāo)數(shù)據(jù)簇個數(shù)確定及聚類分析,藥物-靶標(biāo)互作關(guān)系預(yù)測等問題深入研究,僅利用單源數(shù)據(jù),提出基于藥物、靶標(biāo)數(shù)據(jù)聚類分析的超類與特征投影模糊分類融合方法預(yù)測藥物-靶標(biāo)互作關(guān)系。具體內(nèi)容包括以下四個部分:(1)針對藥物-靶標(biāo)互作關(guān)系查詢驗證問題,提出一種高效查詢驗證方法(DTcheck)。目前,主要依賴人工手動在各個數(shù)據(jù)庫中逐對查詢驗證藥物-靶標(biāo)互作關(guān)系,...

【文章頁數(shù)】：132 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于網(wǎng)絡(luò)的方法
        1.2.2 基于機(jī)器學(xué)習(xí)的方法
        1.2.3 基于聚類分析輔助的方法
    1.3 本文主要研究內(nèi)容
第2章 藥物-靶標(biāo)互作關(guān)系相關(guān)基礎(chǔ)及其查詢驗證方法研究
    2.1 引言
    2.2 藥物-靶標(biāo)互作關(guān)系問題描述
    2.3 藥物-靶標(biāo)互作關(guān)系標(biāo)準(zhǔn)數(shù)據(jù)集
        2.3.1 藥物-靶標(biāo)互作關(guān)系數(shù)據(jù)
        2.3.2 藥物數(shù)據(jù)
        2.3.3 靶標(biāo)數(shù)據(jù)
    2.4 藥物-靶標(biāo)互作關(guān)系預(yù)測的評價方法簡介
        2.4.1 交叉評價
        2.4.2 外部評價
    2.5 藥物-靶標(biāo)互作關(guān)系查詢驗證方法研究
        2.5.1 新查詢方法的提出與設(shè)計
        2.5.2 基于新查詢驗證方法的藥物-靶標(biāo)互作數(shù)據(jù)擴(kuò)增
        2.5.3 基于擴(kuò)增數(shù)據(jù)的AUC評價合理性分析
    2.6 本章小結(jié)
第3章 基于改進(jìn)密度峰值算法的藥物與靶標(biāo)數(shù)據(jù)簇數(shù)研究
    3.1 引言
    3.2 密度峰值算法簡介
    3.3 改進(jìn)密度峰值算法
        3.3.1 改進(jìn)局部密度
        3.3.2 改進(jìn)賦值策略
        3.3.3 提升聚類效率
        3.3.4 算法流程
        3.3.5 復(fù)雜度分析
    3.4 改進(jìn)密度峰值算法實驗分析及確定藥物、靶標(biāo)數(shù)據(jù)簇個數(shù)
        3.4.1 驗證數(shù)據(jù)集及評價指標(biāo)
        3.4.2 實驗結(jié)果及分析
        3.4.3 改進(jìn)密度峰值算法確定藥物、靶標(biāo)數(shù)據(jù)簇個數(shù)
        3.4.4 改進(jìn)密度峰值算法的進(jìn)一步分析
    3.5 本章小結(jié)
第4章 基于改進(jìn)K-medoids算法的藥物與靶標(biāo)數(shù)據(jù)聚類方法研究
    4.1 引言
    4.2 K-medoids算法簡介
    4.3 改進(jìn)K-medoids算法
        4.3.1 確定候選中心點子集
        4.3.2 確定2個初始中心點
        4.3.3 確定新增中心點
        4.3.4 算法流程
        4.3.5 復(fù)雜度分析
    4.4 改進(jìn)K-medoids算法實驗分析及聚類分析藥物、靶標(biāo)數(shù)據(jù)
        4.4.1 驗證數(shù)據(jù)集及評價指標(biāo)
        4.4.2 實驗結(jié)果及分析
        4.4.3 改進(jìn)K-medoids算法聚類分析藥物、靶標(biāo)數(shù)據(jù)
        4.4.4 改進(jìn)K-medoids算法的進(jìn)一步分析
    4.5 本章小結(jié)
第5章 基于超類與特征投影模糊分類融合的藥物-靶標(biāo)互作關(guān)系預(yù)測
    5.1 引言
    5.2 超類與特征投影模糊分類融合方法的提出
        5.2.1 超類預(yù)測方法的提出
        5.2.2 特征投影模糊分類預(yù)測方法的提出
        5.2.3 超類與特征投影模糊分類方法融合
    5.3 超類與特征投影模糊分類方法融合方法的性能評價
        5.3.1 平均百分比秩評價
        5.3.2 TopN評價
    5.4 藥物-靶標(biāo)互作關(guān)系預(yù)測結(jié)果進(jìn)一步分析與討論
        5.4.1 Top100的藥物-靶標(biāo)互作網(wǎng)絡(luò)分析
        5.4.2 超類方法的假設(shè)討論
        5.4.3 超靶效應(yīng)修正值及其最終預(yù)測值
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
附錄 A 藥物、靶標(biāo)相關(guān)數(shù)據(jù)庫
攻讀博士學(xué)位期間發(fā)表的論文及其他成果
致謝
個人簡歷



本文編號：3855579