本文選題：藥物 + 靶標蛋白��； 參考：《復旦大學》2014年碩士論文

【摘要】：研究藥物和靶標蛋白之間的關系對于藥物研發(fā)有著重要的意義。傳統(tǒng)的化學試驗方法效率低下且成本高昂,而通過計算機技術進行研究具有高效、低開銷等優(yōu)點,因此成為這一領域的重要研究途徑。本文重點關注基于機器學習,尤其是基于相似度的藥物-靶標相互作用關系預測方法。這一領域當下的研究熱點是如何開發(fā)新的預測方法使其具有較高的預測準確性。在本文中,我們首先對現今較為經典,同時預測效果較好的幾種基于機器學習的方法進行了簡要的回顧和比較。之后我們提出了一種全新的基于矩陣分解的機器學習方法——協(xié)同矩陣分解(Collaborative Matrix Factorization),并在統(tǒng)一的實驗條件下與之前的方法進行了預測性能的比較。實驗結果表明,協(xié)同矩陣分解在12種實驗設置中有9種都取得了最好的預測效果,展示了協(xié)同矩陣分解在藥物-靶標蛋白關系預測中的突出優(yōu)勢。最后我們對通過協(xié)同矩陣分解預測得到的全新的藥物-靶標蛋白匹配對在最新的數據庫中進行了驗證,結果表明,在20個新預測中有14個都得到了證實,展示了協(xié)同矩陣分解的實際應用價值。
[Abstract]:It is important to study the relationship between drug and target protein for drug development.The traditional chemical test methods are inefficient and expensive, but the research by computer technology has the advantages of high efficiency and low cost, so it becomes an important research approach in this field.This paper focuses on the prediction method of drug-target interaction based on machine learning, especially similarity.The current research focus in this field is how to develop new prediction methods to achieve high prediction accuracy.In this paper, we first briefly review and compare some methods based on machine learning, which are more classical and have good prediction effect.Then we propose a new machine learning method based on matrix factorization, collaborative Matrix factorization, and compare the prediction performance with the previous method under the unified experimental conditions.The experimental results show that 9 out of the 12 experimental settings have the best prediction effect and show the outstanding advantages of the cooperative matrix decomposition in the prediction of drug-target protein relationship.Finally, we verified the new drug-target protein matching pairs predicted by co-matrix decomposition in the latest database, and the results showed that 14 of the 20 new predictions were confirmed.The practical application value of cooperative matrix decomposition is demonstrated.
【學位授予單位】：復旦大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：R96;TP181

【相似文獻】

相關期刊論文 前3條

1 張浩;陳小清;;利用矩陣分解提取生物醫(yī)學文獻中潛在相關基因[J];醫(yī)學信息學雜志;2013年05期

2 王陳海;張魯閩;馬繼民;吳太虎;;基于奇異值矩陣分解的腕式示波法血壓測量算法[J];生物醫(yī)學工程學雜志;2011年04期

3 ;[J];;年期

相關會議論文 前2條

1 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應用[A];第九屆全國結構工程學術會議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術在體系性態(tài)綜合分析中的初步應用[A];“力學2000”學術大會論文集[C];2000年

相關博士學位論文 前5條

1 李英明;矩陣分解在數據挖掘中的應用[D];浙江大學;2014年

2 趙科科;低秩矩陣分解的正則化方法與應用[D];浙江大學;2012年

3 郭亦鴻;利用穆勒矩陣分解定量測量各向異性介質微觀結構[D];清華大學;2014年

4 胡惠軼;基于分解的系統(tǒng)辨識方法研究[D];江南大學;2014年

5 陳根浪;基于社交媒體的推薦技術若干問題研究[D];浙江大學;2012年

相關碩士學位論文 前10條

1 秦曉暉;個性化微博推薦方法研究[D];華南理工大學;2015年

2 劉鳳林;基于矩陣分解的協(xié)同過濾推薦算法研究[D];南京理工大學;2015年

3 李源鑫;基于提升的信任融合矩陣分解推薦算法[D];福建師范大學;2015年

4 陳洪濤;基于矩陣分解的常規(guī)與長尾捆綁推薦的博弈研究[D];福建師范大學;2015年

5 張濟龍;基于概率矩陣分解的推薦算法研究[D];燕山大學;2015年

6 鄧志豪;基于物品相似度和主題回歸的矩陣分解推薦算法[D];浙江大學;2015年

7 余露;利用矩陣分解算法建模數據稀疏環(huán)境下用戶協(xié)同行為[D];杭州師范大學;2015年

8 倪澤明;混合用戶行為建模的概率矩陣分解推薦算法[D];浙江大學;2015年

9 丁浩;基于協(xié)同矩陣分解的藥物靶標相互作用關系預測[D];復旦大學;2014年

10 牛明芝;唯一分解環(huán)上的矩陣分解[D];湖南科技大學;2014年

，

本文編號：1764889