基于深度学习的化合物与蛋白质相互作用关系的研究

发布时间：2021-01-18 15:21

　　化合物与蛋白质相互作用的研究,能够产生对药物设计和研发有重要提示性作用的化合物-蛋白质组合。传统的药物研发通常基于实验验证,可能会遗漏重要的候选组合,并且研发周期长、费用高、成功率低。目前,临床和动物细胞实验积累了大量化合物与蛋白质相互作用的数据,这些基础数据为发现新的组合模式提供了可能。近年来,基于深度学习的方法在很多领域都取得了突破性进展,该方法受生物神经系统信息处理的启发,能够从大量训练数据中自动分层提取特征,因此,使用该方法训练百万级别的数据集,可探索和发现新的化合物与蛋白质相互作用模式,并据此预测与特定化合物相互作用的蛋白质,从而为药物设计和研发的实验验证提供小范围、相对可靠的假设。本文的主要工作是使用TensorFlow框架构建并训练用于预测化合物和蛋白质相互作用的深度学习模型。本文的数据来源于BindingDB数据库。在本文中,将BindingDB中提取的化合物-蛋白质组合数据作为正样本,标签为1;将化合物与蛋白质序列随机组合并去除正样本后的数据作为负样本,标签为0。将正负样本混合后按照98:1:1的比例划分训练集、验证集及测试集。本文构建的深度学习模型是由循环神经网络和... 

【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

药物开发以及药物发现的流程

；在没有类别信息的情况下，寻找好的特征[34]。习与深度学习技术给现代社会的很多方面都提供了动力，例如网络搜索商务网站上的推荐等等。但是传统机器学习技术在处理原制。多年以来，构建一套机器学习系统需要相当多的专业一个特征提取器，将原始数据转换为合适的特征表示，然能给机器学习算法进行学习。因此，这些传统的机器学习度上依赖于给定数据的表示。然而，对于很多任务来说，那些特征。解决这个问题的方法就是使用机器学习自身来称之为表示学习（representationlearning）。如图 2-2 是表示法学习到的表示往往比手动设计的表示表现更好。对于简几分钟就可以发现一个好的特征集；对于复杂任务，一般时间。然而如果人工设计特征，则需要耗费大量的人力和费研究人员几十年的时间。

成功克服了深层网络难以训练的问题，开启了深度学习的热潮图 2-3 机器学习、表示学习以及深度学习的流程深度学习的引入解决了表示学习中难以分离变差因素的核心问题。深度学习是一种表示学习，也是一种机器学习，如图 2-3 的流程所示，它可以让计算机过较简单的特征组合构建出更复杂的特征，从而拥有了更强大的能力。随着可数据的不断增加、软硬件基础设施的不断发展，深度学习已经可以解决日益复的应用，在很多领域都得到了应用并取得了突破性的成就。[35]2.3 神经元与感知机

【参考文献】：
期刊论文
[1]小分子与生物大分子间非共价相互作用分析方法研究进展[J]. 李锐,任海平,孙艳亭,姚英艳,卢奎,马丽.  分析化学. 2006(12)

硕士论文
[1]深度无监督学习算法研究[D]. 岳永鹏.西南石油大学 2015



本文编号：2985178