復(fù)雜生物系統(tǒng)由各種生物分子組成,任何一項(xiàng)生物功能都是有很多生物分子共同參與完成的,從復(fù)雜網(wǎng)絡(luò)的角度研究生物分子的性質(zhì)、功能是當(dāng)前生物信息學(xué)的重要研究方向。隨著新興生物技術(shù)和數(shù)據(jù)庫(kù)技術(shù)的迅速發(fā)展,產(chǎn)生了海量的組學(xué)數(shù)據(jù),這為研究人員從分子水平上探索和揭示生命體的各項(xiàng)生命活動(dòng)提供了豐富的數(shù)據(jù)來(lái)源,也使得構(gòu)建不同生物分子（或?qū)嶓w）間的相互作用網(wǎng)絡(luò)成為可能。整合多組學(xué)數(shù)據(jù)構(gòu)建生物網(wǎng)絡(luò)并推斷不同生物實(shí)體的交互關(guān)系是網(wǎng)絡(luò)生物學(xué)的重要研究課題,它可以揭示分子間的各種合作機(jī)制,幫助研究者了解生物分子功能,同時(shí)還能加深對(duì)各種復(fù)雜疾病的發(fā)生、發(fā)展和活動(dòng)規(guī)律的理解。然而,面對(duì)海量的生物數(shù)據(jù),僅依靠生物實(shí)驗(yàn)來(lái)探索交互關(guān)系,不僅要耗費(fèi)大量的人力、物力,還要相當(dāng)長(zhǎng)的時(shí)間。機(jī)器學(xué)習(xí)作為人工智能的核心,在各行各業(yè)都發(fā)揮著重要的作用。隨著計(jì)算機(jī)技術(shù)和統(tǒng)計(jì)學(xué)理論的發(fā)展,大量的機(jī)器學(xué)習(xí)模型被提出,以統(tǒng)計(jì)學(xué)理論為指導(dǎo),利用機(jī)器學(xué)習(xí)模型和計(jì)算機(jī)技術(shù)來(lái)解決生物上的問(wèn)題是當(dāng)前生物信息的重要研究手段。利用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等計(jì)算手段作為生物實(shí)驗(yàn)的輔助和指導(dǎo),可以快捷地從海量數(shù)據(jù)中進(jìn)行初步篩選,大大的縮短了實(shí)驗(yàn)的時(shí)間成本和資源花費(fèi)。針對(duì)... 

【文章來(lái)源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：174 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖１．１本文的組織結(jié)構(gòu)圖??其中，第三章所提出的多核鄰域相似性（ＭＫＳＮＳ）校－型足其他Ｍ絡(luò)推斷投型的雄礎(chǔ)，具體??

博ｉ學(xué)位論文??ＯＯＣＴＯＲＡＬ?Ｄ．ＳＳ．ＨＴＡＴＩＯＸ???點(diǎn)的線性重構(gòu)來(lái)計(jì)算樣本間的相似性，確實(shí)在一定程度上忽略非鄰域樣本的噪聲干擾，節(jié)省了??存儲(chǔ)空間，然而，它也完全舍棄非鄰域樣本對(duì)相似性的貢獻(xiàn)，且僅僅適合樣本的線性關(guān)系下的??相似性度量。考慮到ＬＮＳ相似性計(jì)算的局限性，本文提出了一種新的相似性計(jì)算方式，多核鄰??域相似性（ＭＫＳＮＳ），不僅可以分層挖掘樣本間的結(jié)構(gòu)相似性信息，而且適用具有非線性關(guān)系??的樣本集合。三種主要的相似性計(jì)算的示意圖如圖３．１所示。??Ａｅ?＼?：??（ａ）成對(duì)相似性計(jì)算?（ｂ）線性鄰域相似??，’一??＇＇Ｏ＇＇??（ｃ）多核鄰域相似性??圖３．１不同相似性度量的對(duì)比示意圖??圖３．１給出了?３種不同類(lèi)型的相似性計(jì)算方式，即通過(guò)不同的方式計(jì)算樣本八１和其他樣本的??相似性關(guān)系。具體的，圖３．１中的（ａ）表示利用成對(duì)相似性度量來(lái)計(jì)算ＡＪＵＡ２、Ａ３、Ａ４、厶５和六６的??相似性關(guān)系，容易看出，成對(duì)相似性的計(jì)算結(jié)果只與當(dāng)前兩個(gè)樣本的特征有關(guān)，與其他樣本特??征無(wú)關(guān)。圖３．１中的（ｂ）表示線性鄰域相似性，它通過(guò)設(shè)置鄰域范圍（虛線圓圈表示），然后利用??鄰域中的樣本｛Ａ２，?Ａ４，４５）對(duì)六１的線性重構(gòu)系數(shù)作為相似性度量，由于々３和六６不是Ａ：的鄰域，因??此它們與六１的相似性值為０。圖３．１中的（ｃ）表示本文提出的多核鄰域相似性，它通過(guò)設(shè)置分層權(quán)??重來(lái)區(qū)分鄰域和非鄰域樣本的重要性，即鄰域樣本｛Ａ２，Ａ４，ＡＳ｝對(duì)影響要比｛Ａ３，Ａ６｝對(duì)樣本Ａｉ??的影響更大，其中曲線表所有的重構(gòu)關(guān)系可以是非線性的。本小節(jié)從軟鄰域相似性、核鄰域相??似性和多核鄰域相似性三個(gè)過(guò)程詳細(xì)介

圖４．１?ＣＤ相似

【參考文獻(xiàn)】：
期刊論文
[1]基于PU學(xué)習(xí)的鏈接預(yù)測(cè)方法[J]. 李琦,王智強(qiáng),梁吉業(yè).  模式識(shí)別與人工智能. 2019(09)
[2]基于PU學(xué)習(xí)的建議語(yǔ)句分類(lèi)方法[J]. 張璞,劉暢,李逍.  計(jì)算機(jī)應(yīng)用. 2019(03)
[3]半監(jiān)督學(xué)習(xí)理論及其研究進(jìn)展概述[J]. 屠恩美,楊杰.  上海交通大學(xué)學(xué)報(bào). 2018(10)
[4]隨機(jī)游走技術(shù)在網(wǎng)絡(luò)生物學(xué)中的研究進(jìn)展[J]. 李敏,王曉桐,羅慧敏,孟祥茂,王建新.  電子學(xué)報(bào). 2018(08)
[5]基于關(guān)聯(lián)分類(lèi)算法的PU學(xué)習(xí)研究[J]. 楊建林,劉揚(yáng).  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2017(11)
[6]Roles, Functions, and Mechanisms of Long Non-coding RNAs in Cancer[J]. Yiwen Fang,Melissa J.Fullwood.  Genomics,Proteomics & Bioinformatics. 2016(01)
[7]A Bipartite Network-based Method for Prediction of Long Non-coding RNA–protein Interactions[J]. Mengqu Ge,Ao Li,Minghui Wang.  Genomics,Proteomics & Bioinformatics. 2016(01)
[8]半監(jiān)督學(xué)習(xí)方法[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)學(xué)報(bào). 2015(08)
[9]針對(duì)不確定正例和未標(biāo)記學(xué)習(xí)的最近鄰算法(英文)[J]. 潘世瑞,張陽(yáng),李雪,王勇.  計(jì)算機(jī)科學(xué)與探索. 2010(09)

博士論文
[1]稀疏子空間聚類(lèi)及快速算法的研究[D]. 王君.哈爾濱工業(yè)大學(xué) 2019
[2]基于對(duì)稱非負(fù)矩陣分解的信息融合方法與應(yīng)用研究[D]. 馬園園.華中師范大學(xué) 2018
[3]基于生物網(wǎng)絡(luò)的復(fù)雜疾病關(guān)聯(lián)miRNA預(yù)測(cè)方法研究[D]. 陳敏.湖南大學(xué) 2018
[4]約束非負(fù)矩陣分解算法及其應(yīng)用研究[D]. 錢(qián)彬.南京理工大學(xué) 2018
[5]基于子空間學(xué)習(xí)的數(shù)據(jù)表示方法研究[D]. 羅鵬.西北大學(xué) 2017
[6]基于生物網(wǎng)絡(luò)的致病miRNA預(yù)測(cè)及模塊識(shí)別算法研究[D]. 肖球.湖南大學(xué) 2017
[7]藥物—靶標(biāo)相互作用預(yù)測(cè)及其在藥物重定位中的應(yīng)用研究[D]. 彭利紅.湖南大學(xué) 2017
[8]基于圖的大規(guī)模半監(jiān)督學(xué)習(xí)算法及應(yīng)用研究[D]. 劉斌.電子科技大學(xué) 2017
[9]核函數(shù)逼近方法若干理論與應(yīng)用研究[D]. 李俊彬.大連理工大學(xué) 2017
[10]基于圖的半監(jiān)督學(xué)習(xí)算法及其應(yīng)用[D]. 翁立波.南京理工大學(xué) 2017

碩士論文
[1]基于相似度的PU文本分類(lèi)算法研究[D]. 張路.合肥工業(yè)大學(xué) 2018
[2]基于數(shù)據(jù)融合的生物網(wǎng)絡(luò)推斷[D]. 滕奔.大連理工大學(xué) 2016
[3]基于核函數(shù)理論的改進(jìn)FDA間歇過(guò)程故障診斷研究[D]. 付元建.哈爾濱理工大學(xué) 2016



本文編號(hào)：3461983