生物医学实体网络中隐含关系挖掘方法研究与应用

发布时间：2021-04-26 21:51

　　近些年,随着人工智能技术的发展,不断涌现的高新技术在各行各业掀起了层层巨浪,生物信息学领域也在浪潮的推动下日益繁荣。毋庸置疑,处于大数据时代,数据在生物医学领域中占据着重要的地位。随着大规模高通量信息技术的发展以及当代科研素质的不断提升,高质量科研成果层出不穷。除此之外,国内外各种科研团队集中大量精力从文献中抽取生物医学实体关系,并逐渐形成了生物医学数据库。但是,目前仍存在两个显著的问题亟待解决。首先是由于科研数据数量庞大,各个组织命名规范不尽相同,致使相同的内容可能被赋予不同的名称,这对于之后的提取关键信息、进行数据集成会造成极大的困扰。其次是生物医学研究是一个多学科相互联系、相互补充的综合性课题,该课题囊括多个方向的内容,每个方向都在具体实践或者科研论文方面取得了优异的成绩,但各个方向几乎是割裂的,形成了“知识分裂”的现象。因此,为了解决上述提出的问题,本文旨在建立一套完备的数据整合标准,将分散的数据集融合在一起,之后构造完整的、高效的方法,挖掘出数据中所隐含的信息,其实质就是将割裂的多个方向的研究融合成一个体系,进行隐含知识发现,弥补目前生物医学研究领域的一个空白,为科研提供崭新... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 本文主要工作
    1.4 本文组织结构
第2章 相关技术介绍
    2.1 信息网络相关知识介绍
    2.2 网络表示学习相关知识介绍
        2.2.1 基础知识
        2.2.2 代表性模型
    2.3 编码器-解码器相关知识介绍
        2.3.1 Seq2Seq模型
        2.3.2 自编码器
        2.3.3 自编码器的变种形式
    2.4 生成对抗网络相关知识介绍
    2.5 有监督的分类算法相关知识介绍
    2.6 本章小结
第3章 基于网络嵌入模型的隐含关系挖掘方法
    3.1 网络嵌入模型的构建
        3.1.1 基于SDNE和变分自编码器的网络嵌入模型
        3.1.2 基于生成对抗网络的图表示学习模型
        3.1.3 特征融合
    3.2 样本选择策略
    3.3 分类算法的选择
    3.4 本章小结
第4章 实验与应用
    4.1 实验环境
    4.2 评价指标
    4.3 在benchmark数据集上的实验与分析
        4.3.1 数据集介绍
        4.3.2 实验设计与实验分析
    4.4 在生物医学实体网络上的实验结果分析与应用
        4.4.1 数据预处理
        4.4.2 实验设计与实验分析
        4.4.3 在PubMed中的实际应用
    4.5 本章小结
第5章 总结与展望
参考文献
作者简介及在学期间所取得的科研成果
致谢


【参考文献】：
期刊论文
[1]BERST: An Engine and Tool for Exploring Biomedical Entities and Relationships[J]. BAI Tian,GE Yan,YANG Changqing,LIU Xiaohua,GONG Leiguang,WANG Ye,HUANG Lan.  Chinese Journal of Electronics. 2019(04)
[2]精准医学可改变医疗健康基本概念[J]. 陈润生.  中国战略新兴产业. 2017(Z1)
[3]复杂网络链路预测[J]. 吕琳媛.  电子科技大学学报. 2010(05)

博士论文
[1]药物互作数据的挖掘与预测研究[D]. 胡姗姗.安徽大学 2019

硕士论文
[1]基于深度协同过滤模型的致病基因预测方法研究[D]. 贺语盈.厦门大学 2018
[2]基于核心—附件的蛋白质复合物识别算法研究[D]. 梁静.陕西师范大学 2018



本文编号：3162176