基于协同矩阵分解的药物靶标相互作用关系预测
本文选题：药物 + 靶标蛋白 ； 参考：《复旦大学》2014年硕士论文
【摘要】：研究药物和靶标蛋白之间的关系对于药物研发有着重要的意义。传统的化学试验方法效率低下且成本高昂,而通过计算机技术进行研究具有高效、低开销等优点,因此成为这一领域的重要研究途径。本文重点关注基于机器学习,尤其是基于相似度的药物-靶标相互作用关系预测方法。这一领域当下的研究热点是如何开发新的预测方法使其具有较高的预测准确性。在本文中,我们首先对现今较为经典,同时预测效果较好的几种基于机器学习的方法进行了简要的回顾和比较。之后我们提出了一种全新的基于矩阵分解的机器学习方法——协同矩阵分解(Collaborative Matrix Factorization),并在统一的实验条件下与之前的方法进行了预测性能的比较。实验结果表明,协同矩阵分解在12种实验设置中有9种都取得了最好的预测效果,展示了协同矩阵分解在药物-靶标蛋白关系预测中的突出优势。最后我们对通过协同矩阵分解预测得到的全新的药物-靶标蛋白匹配对在最新的数据库中进行了验证,结果表明,在20个新预测中有14个都得到了证实,展示了协同矩阵分解的实际应用价值。
[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.
【学位授予单位】：复旦大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：R96;TP181
【相似文献】
相关期刊论文 前3条
1 张浩;陈小清;;利用矩阵分解提取生物医学文献中潜在相关基因[J];医学信息学杂志;2013年05期
2 王陈海;张鲁闽;马继民;吴太虎;;基于奇异值矩阵分解的腕式示波法血压测量算法[J];生物医学工程学杂志;2011年04期
3 ;[J];;年期
相关会议论文 前2条
1 王春江;钱若军;王人鹏;杨联萍;;矩阵分解在张力集成体系模态分析中的应用[A];第九届全国结构工程学术会议论文集第Ⅰ卷[C];2000年
2 王春江;王人鹏;钱若军;王颖;;矩阵分解技术在体系性态综合分析中的初步应用[A];“力学2000”学术大会论文集[C];2000年
相关博士学位论文 前5条
1 李英明;矩阵分解在数据挖掘中的应用[D];浙江大学;2014年
2 赵科科;低秩矩阵分解的正则化方法与应用[D];浙江大学;2012年
3 郭亦鸿;利用穆勒矩阵分解定量测量各向异性介质微观结构[D];清华大学;2014年
4 胡惠轶;基于分解的系统辨识方法研究[D];江南大学;2014年
5 陈根浪;基于社交媒体的推荐技术若干问题研究[D];浙江大学;2012年
相关硕士学位论文 前10条
1 秦晓晖;个性化微博推荐方法研究[D];华南理工大学;2015年
2 刘凤林;基于矩阵分解的协同过滤推荐算法研究[D];南京理工大学;2015年
3 李源鑫;基于提升的信任融合矩阵分解推荐算法[D];福建师范大学;2015年
4 陈洪涛;基于矩阵分解的常规与长尾捆绑推荐的博弈研究[D];福建师范大学;2015年
5 张济龙;基于概率矩阵分解的推荐算法研究[D];燕山大学;2015年
6 邓志豪;基于物品相似度和主题回归的矩阵分解推荐算法[D];浙江大学;2015年
7 余露;利用矩阵分解算法建模数据稀疏环境下用户协同行为[D];杭州师范大学;2015年
8 倪泽明;混合用户行为建模的概率矩阵分解推荐算法[D];浙江大学;2015年
9 丁浩;基于协同矩阵分解的药物靶标相互作用关系预测[D];复旦大学;2014年
10 牛明芝;唯一分解环上的矩阵分解[D];湖南科技大学;2014年
，本文编号：1764889
本文链接：https://www.wllwen.com/yixuelunwen/yiyaoxuelunwen/1764889.html
