化合物與蛋白質相互作用的研究,能夠產生對藥物設計和研發(fā)有重要提示性作用的化合物-蛋白質組合。傳統(tǒng)的藥物研發(fā)通�；趯嶒烌炞C,可能會遺漏重要的候選組合,并且研發(fā)周期長、費用高、成功率低。目前,臨床和動物細胞實驗積累了大量化合物與蛋白質相互作用的數(shù)據(jù),這些基礎數(shù)據(jù)為發(fā)現(xiàn)新的組合模式提供了可能。近年來,基于深度學習的方法在很多領域都取得了突破性進展,該方法受生物神經系統(tǒng)信息處理的啟發(fā),能夠從大量訓練數(shù)據(jù)中自動分層提取特征,因此,使用該方法訓練百萬級別的數(shù)據(jù)集,可探索和發(fā)現(xiàn)新的化合物與蛋白質相互作用模式,并據(jù)此預測與特定化合物相互作用的蛋白質,從而為藥物設計和研發(fā)的實驗驗證提供小范圍、相對可靠的假設。本文的主要工作是使用TensorFlow框架構建并訓練用于預測化合物和蛋白質相互作用的深度學習模型。本文的數(shù)據(jù)來源于BindingDB數(shù)據(jù)庫。在本文中,將BindingDB中提取的化合物-蛋白質組合數(shù)據(jù)作為正樣本,標簽為1;將化合物與蛋白質序列隨機組合并去除正樣本后的數(shù)據(jù)作為負樣本,標簽為0。將正負樣本混合后按照98:1:1的比例劃分訓練集、驗證集及測試集。本文構建的深度學習模型是由循環(huán)神經網(wǎng)絡和... 

【文章來源】：蘭州大學甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

藥物開發(fā)以及藥物發(fā)現(xiàn)的流程

；在沒有類別信息的情況下，尋找好的特征[34]。習與深度學習技術給現(xiàn)代社會的很多方面都提供了動力，例如網(wǎng)絡搜索商務網(wǎng)站上的推薦等等。但是傳統(tǒng)機器學習技術在處理原制。多年以來，構建一套機器學習系統(tǒng)需要相當多的專業(yè)一個特征提取器，將原始數(shù)據(jù)轉換為合適的特征表示，然能給機器學習算法進行學習。因此，這些傳統(tǒng)的機器學習度上依賴于給定數(shù)據(jù)的表示。然而，對于很多任務來說，那些特征。解決這個問題的方法就是使用機器學習自身來稱之為表示學習（representationlearning）。如圖 2-2 是表示法學習到的表示往往比手動設計的表示表現(xiàn)更好。對于簡幾分鐘就可以發(fā)現(xiàn)一個好的特征集；對于復雜任務，一般時間。然而如果人工設計特征，則需要耗費大量的人力和費研究人員幾十年的時間。

成功克服了深層網(wǎng)絡難以訓練的問題，開啟了深度學習的熱潮圖 2-3 機器學習、表示學習以及深度學習的流程深度學習的引入解決了表示學習中難以分離變差因素的核心問題。深度學習是一種表示學習，也是一種機器學習，如圖 2-3 的流程所示，它可以讓計算機過較簡單的特征組合構建出更復雜的特征，從而擁有了更強大的能力。隨著可數(shù)據(jù)的不斷增加、軟硬件基礎設施的不斷發(fā)展，深度學習已經可以解決日益復的應用，在很多領域都得到了應用并取得了突破性的成就。[35]2.3 神經元與感知機

【參考文獻】：
期刊論文
[1]小分子與生物大分子間非共價相互作用分析方法研究進展[J]. 李銳,任海平,孫艷亭,姚英艷,盧奎,馬麗.  分析化學. 2006(12)

碩士論文
[1]深度無監(jiān)督學習算法研究[D]. 岳永鵬.西南石油大學 2015



本文編號：2985178