基于逻辑回归的药物与靶标相互作用关系预测

发布时间：2020-12-18 04:48

　　药物发现和药物重定向是一项花销很高并且很耗时的进程,而推进药物发现和药物重定向进程发展的一个有效的方法是从分子层面上对药物和靶标的相互作用关系进行预测。传统的方法对药物和靶标的相互作用关系进行预测存在特征难以获取以及计算复杂度高等问题。因此,近年来,许多统计学习方法被用来解决药物靶标相互作用关系预测问题,尽管他们在预测上很有效,但是它们仍存在以下问题:首先是缺少负样本的问题,在现在所有的记录药物靶标相互作用关系的数据库中,均只有已经经过实验验证的药物靶标相互作用关系数据,而经过实验验证的药物靶标之间不存在相互作用的数据在任何数据库中都没有记录。其次是药物靶标的特征选取以及表示问题,主要是考虑如何选择合适的特征以贴合的表达一个药物一个靶标,怎样组合药物特征和靶标特征才能完整表达一个药物靶标对。为了解决上述的两个问题,本文做了如下工作。1)在药物靶标对特征构建的过程中,本文针对药物结构特征矩阵和靶标结构特征矩阵它们内部存在相互依赖的问题,提出了一种适用于0-1矩阵的信息增益主成分分析法（Information Gain Principal Component Analysis,IGPCA）... 

【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究的背景及意义
    1.2 药物与靶标相互作用关系研究现状
        1.2.1 基于双边图的研究现状
        1.2.2 基于矩阵的研究现状
        1.2.3 基于机器学习的研究现状
    1.3 主要工作
    1.4 本文结构
第2章 相关概念及技术介绍
    2.1 监督学习算法模型
        2.1.1 模型和参数
        2.1.2 目标函数
        2.1.3 梯度下降法
    2.2 相关性分析
        2.2.1 协方差和皮尔逊相关系数
        2.2.2 主成分分析法
        2.2.3 奇异值分解法
    2.3 Logistic回归分类
        2.3.1 Logistic回归模型和参数
        2.3.2 Logistic的目标方程
    2.4 评价指标
    2.5 小结
第3章 基于特征构建的药物靶标关系预测
    3.1 引言
    3.2 药物靶标对特征构建框架
    3.3 结构特征的处理
    3.4 网络特征的构建
        3.4.1 使用主成分分析法处理网络特征
        3.4.2 使用奇异值分解法获取网络特征
        3.4.3 使用相似性表示网络特征
    3.5 药物靶标对特征构建过程
    3.6 实验与分析
        3.6.1 实验数据
        3.6.2 对比实验说明
        3.6.3 药物靶标对五折交叉验证
        3.6.4 新药物五折交叉验证
        3.6.5 新靶标五折交叉验证
        3.6.6 新药物新靶标的网络特征验证
    3.7 小结
第4章 基于逻辑回归的药物靶标关系预测
    4.1 引言
    4.2 二维逻辑回归模型
    4.3 二维逻辑回归模型求解
        4.3.1 皮尔逊相关系数方法初始化过程
        4.3.2 随机梯度下降法迭代求解
    4.4 二维逻辑回归预测
    4.5 实验及分析
        4.5.1 实验数据
        4.5.2 对比实验说明
        4.5.3 药物靶标对五折交叉验证
        4.5.4 新药物五折交叉验证
        4.5.5 新靶标五折交叉验证
        4.5.6 参数设置
        4.5.7 新药物新靶标实例
    4.6 小结
结论
参考文献
附录 A发表论文和参加科研情况说明
致谢



本文编号：2923381