藥物的早期篩選通常需要經(jīng)過藥物設計、細胞實驗、動物實驗與臨床實驗等步驟,一個新藥的研發(fā)與篩選通常需要耗費將近十年的時間以及上百億元,而這些花費可能因藥物在人體中的不適應性、無效性、毒性等原因而無效。因此,基于人類細胞的基因表達數(shù)據(jù)與深度學習方法相結合,對新藥物效應預測的研究能夠減少藥物的早期篩選過程中的額外花費,并為提升新藥探索的成功率作出貢獻。本文利用尋找拓撲圖中最短路徑的算法來對基因互作網(wǎng)絡的上下文來進行捕捉,并將捕捉到的基因上下文用于訓練機器學習算法,生成最終能夠代表每個基因功能與意義的基因向量�；谶@些基因向量與細胞的基因表達數(shù)據(jù),最終整合出能夠代表每個細胞各方面狀態(tài)的細胞向量,并通過查看藥物處理前后細胞狀態(tài)的改變來判斷藥物對細胞的效應。這種方式能夠從更宏觀的,即整個細胞的狀態(tài)變化角度,來判斷藥物在人類細胞中產(chǎn)生的效應。為了預測藥物對人類細胞基因表達的改變,本文構建了以藥物分子結構為輸入,細胞狀態(tài)變化為輸出的深度學習模型,并將訓練后的模型應用并預測模型未曾學習過的小分子藥物對細胞狀態(tài)所產(chǎn)生的效應,取得了良好的預測效果;證明了深度學習應用于藥物早期篩選、預測細胞基因表達狀態(tài)變化的... 

【文章頁數(shù)】：99 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 基因表達數(shù)據(jù)
        1.2.1 基因表達數(shù)據(jù)簡介
        1.2.2 基因表達數(shù)據(jù)傳統(tǒng)表示與數(shù)據(jù)內容
        1.2.3 基因表達數(shù)據(jù)傳統(tǒng)處理與分析方法
    1.3 基因互作網(wǎng)絡
    1.4 機器學習
        1.4.1 機器學習簡介
        1.4.2 t-分布隨機鄰域嵌入
    1.5 深度學習
        1.5.1 詞嵌入
        1.5.2 圖卷積神經(jīng)網(wǎng)絡
        1.5.3 注意力機制
        1.5.4 門控機制
        1.5.5 遷移學習——預訓練與微調
    1.6 迪杰斯特拉算法
    1.7 化合物分子結構的表征
    1.8 基于深度學習的化合物表征對細胞效應的預測
    1.9 基于機器學習的化合物結構與基因表達數(shù)據(jù)對細胞效應的預測
    1.10 本文的研究內容和技術路線
第2章 計算方法、模型與過程
    2.1 基因向量的生成
        2.1.1 數(shù)據(jù)來源與處理
        2.1.2 廣義的基因互作網(wǎng)絡信息流上下文捕捉
        2.1.3 word2vec生成基因向量
    2.2 細胞向量的生成
        2.2.1 數(shù)據(jù)來源與處理
        2.2.2 從基因向量到細胞向量
    2.3 深度學習預測化合物性質——預訓練
        2.3.1 數(shù)據(jù)來源與處理
        2.3.2 預測模型構建
        2.3.3 預訓練模型超參數(shù)調整
    2.4 化合物對細胞效應的深度模型——微調
        2.4.1 數(shù)據(jù)來源與處理
        2.4.2 干擾細胞改變預測模型構建
        2.4.3 微調模型超參數(shù)調整
    2.5 本章小結
第3章 基因向量與細胞向量的評價
    3.1 基因向量的評價
        3.1.1 與細胞粘附功能相關基因
        3.1.2 與細胞周期功能相關基因
        3.1.3 與細胞分化功能相關基因
        3.1.4 與細胞遷移功能相關基因
        3.1.5 與發(fā)育功能相關基因
        3.1.6 與DNA修復功能相關基因
        3.1.7 與DNA復制功能相關基因
        3.1.8 與免疫反應功能相關基因
        3.1.9 與RNA剪切功能相關基因
    3.2 細胞向量的評價
        3.2.1 皮膚組織細胞的細胞向量
        3.2.2 肺部組織細胞的細胞向量
        3.2.3 腎組織細胞的細胞向量
        3.2.4 肝組織細胞的細胞向量
        3.2.5 大腸組織細胞的細胞向量
        3.2.6 乳腺組織細胞的細胞向量
        3.2.7 前列腺組織細胞的細胞向量
        3.2.8 正常細胞、原代細胞與癌細胞的區(qū)分
    3.3 本章小結
第4章 化合物預測干擾細胞改變的模型結果評價
    4.1 訓練數(shù)據(jù)集與驗證數(shù)據(jù)集結果
        4.1.1 預訓練
        4.1.2 微調
    4.2 測試數(shù)據(jù)集結果
    4.3 實例比較
        4.3.1 帕博西尼的預測值與實驗值比較
        4.3.2 拉帕替尼的預測值與實驗值比較
        4.3.3 博蘇替尼的預測值與實驗值比較
        4.3.4 舒尼替尼的預測值與實驗值比較
        4.3.5 利尼伐尼的預測值與實驗值比較
    4.4 本章小結
結論與展望
參考文獻
附錄1 所引用圖片的版權許可相關材料
攻讀碩士學位期間發(fā)表的論文及其它成果
致謝


【參考文獻】：
期刊論文
[1]機器學習在數(shù)據(jù)挖掘中的作用[J]. 周昕,王小玉.  電腦學習. 2010(03)
[2]基于2D分子指紋的分子相似性方法在虛擬篩選中的應用[J]. 唐玉煥,林克江,尤啟冬.  中國藥科大學學報. 2009(02)



本文編號：3708709