基于深度学习算法的小分子毒性预测研究
发布时间：2022-01-08 12:44
在药物研发领域,虽然许多有前景的化合物已经在动物模型中进行了广泛的临床前研究,但依旧有超过30%的化合物由于其毒性作用太大而在临床试验中失败。可见,药物的安全性评价,尤其是早期的毒性检测,在新药研发中起着非常重要的作用。根据文献报道,毒性信号通路中有两种主要的信号通路:应激反应（Stress Response,SR）通路和核受体（Nuclear Receptor,NR）信号通路。对于这两类信号传导通路,本研究分别选择了抗氧化反应元件（Antioxidant Responsive Element,ARE）响应和雄激素受体（Androgen Receptor,AR）响应作为研究对象,采用深度学习算法和传统机器学习算法建立了化合物的两种响应的预测模型,并且得到了令人满意的结果。本论文主要包括以下几个方面的内容:（1）阐述了化合物毒性预测的研究进展,并详细介绍了传统机器学习算法以及深度学习算法的基本原理。（2）为建立准确的化合物ARE响应的预测模型,我们基于Tox21数据中的ARE响应数据,首先计算两种类型的分子结构特征（包括传统的分子结构描述符和分子指纹特征）,然后结合多种深度学习算法以及传...
【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】：66 页
【学位级别】：硕士
【部分图文】：
RNN和LSTM网络结构
1 表示的是当前神经元的输入。σ表示 sigmoid 函数。1.2.6 卷积神经网络CNN[26]是一种用于处理多通道输入数据的网络结构。CNN 具有特殊的权值共享网络结构，这使得 CNN 更类似于生物神经网络，此外，权值共享降低了网络的复杂度，而且减少了权值的数量，能有效避免过拟合问题的发生。此外，CNN能够从较低级别的特征中提取更高级别的特征。典型 CNN 的体系是由三种类型的网络组成，即卷积层、池化层和全连接层。卷积层中的每个单元通过滤波器组及特征映射的局部区域与前一层网络相连。原始数据特征通过卷积处理之后，被输入非线性激活函数来形成新的特征映射。池化层通过降低特征映射的维度来创建不变性滤波器以获得较小的移位和形变。每个特征映射的池化层连接至其先前对应的卷积层。池化层计算每个特征映射的局部区域的最大值。然后，卷积和池化由一个或多个全连接层连接堆叠来形成高级特征[27]。
需要更先进的算法来构建更可靠的毒性预测模型。1.4 本论文的研究目的及方法1.4.1 研究目的近年来，随着深度学习[20]的迅速发展，越来越多的深度学习算法被用于物理学、生命科学和医学图像诊断等领域。几种有前景的深度学习方法已用于小分子毒性评估。例如：深度神经网络（DNN）被用于预测药物诱导的肝损伤[49]，卷积神经网络（CNN）被用于预测药物的急性口服毒性[50]。深度学习方法有诸多优势：首先，深度学习不需要特征筛选，可以最大限度地利用所提取的分子特征。其次，深度学习集成了多层网络结构，可以实现分子特征的集成和选择性激活，可以避免过拟合问题。第三，深度学习包含不同的网络结构，可以从不同的角度分析毒性分类问题。可见，传统的机器学习算法和新兴的深度学习算法具有广泛的应用前景，且具有相当的可靠性。
【参考文献】：
期刊论文
[1]Discovery of Novel Androgen Receptor Ligands by Structure-based Virtual Screening and Bioassays[J]. Wenfang Zhou,Mojie Duan,Weitao Fu,Jinping Pang,Qin Tang,Huiyong Sun,Lei Xu,Shan Chang,Dan Li,Tingjun Hou. Genomics,Proteomics & Bioinformatics. 2018(06)
[2]计算系统毒理学:形成、发展及应用[J]. 李杰,李柯佳,张臣,彭邱鹏,唐赟. 科学通报. 2015(19)
[3]有机污染物的混合毒性QSAR模型及其机制研究进展[J]. 王婷,林志芬,田大勇,王大力,孔令云,仇雁翎. 科学通报. 2015(19)
[4]Tox21计划的进展[J]. 周宗灿. 毒理学杂志. 2015(03)
[5]基于细胞阻抗传感器的腹泻性毒素检测系统设计与实现[J]. 苏凯麒,邹玲,王琴,黎洪波,曹端喜,邹瞿超,周洁,胡宁,王平. 传感技术学报. 2014(03)
[6]To×21合作行动进入新阶段[J]. 陈浩. 职业卫生与应急救援. 2011(03)
本文编号：3576581
【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】：66 页
【学位级别】：硕士
【部分图文】：
RNN和LSTM网络结构
1 表示的是当前神经元的输入。σ表示 sigmoid 函数。1.2.6 卷积神经网络CNN[26]是一种用于处理多通道输入数据的网络结构。CNN 具有特殊的权值共享网络结构，这使得 CNN 更类似于生物神经网络，此外，权值共享降低了网络的复杂度，而且减少了权值的数量，能有效避免过拟合问题的发生。此外，CNN能够从较低级别的特征中提取更高级别的特征。典型 CNN 的体系是由三种类型的网络组成，即卷积层、池化层和全连接层。卷积层中的每个单元通过滤波器组及特征映射的局部区域与前一层网络相连。原始数据特征通过卷积处理之后，被输入非线性激活函数来形成新的特征映射。池化层通过降低特征映射的维度来创建不变性滤波器以获得较小的移位和形变。每个特征映射的池化层连接至其先前对应的卷积层。池化层计算每个特征映射的局部区域的最大值。然后，卷积和池化由一个或多个全连接层连接堆叠来形成高级特征[27]。
需要更先进的算法来构建更可靠的毒性预测模型。1.4 本论文的研究目的及方法1.4.1 研究目的近年来，随着深度学习[20]的迅速发展，越来越多的深度学习算法被用于物理学、生命科学和医学图像诊断等领域。几种有前景的深度学习方法已用于小分子毒性评估。例如：深度神经网络（DNN）被用于预测药物诱导的肝损伤[49]，卷积神经网络（CNN）被用于预测药物的急性口服毒性[50]。深度学习方法有诸多优势：首先，深度学习不需要特征筛选，可以最大限度地利用所提取的分子特征。其次，深度学习集成了多层网络结构，可以实现分子特征的集成和选择性激活，可以避免过拟合问题。第三，深度学习包含不同的网络结构，可以从不同的角度分析毒性分类问题。可见，传统的机器学习算法和新兴的深度学习算法具有广泛的应用前景，且具有相当的可靠性。
【参考文献】：
期刊论文
[1]Discovery of Novel Androgen Receptor Ligands by Structure-based Virtual Screening and Bioassays[J]. Wenfang Zhou,Mojie Duan,Weitao Fu,Jinping Pang,Qin Tang,Huiyong Sun,Lei Xu,Shan Chang,Dan Li,Tingjun Hou. Genomics,Proteomics & Bioinformatics. 2018(06)
[2]计算系统毒理学:形成、发展及应用[J]. 李杰,李柯佳,张臣,彭邱鹏,唐赟. 科学通报. 2015(19)
[3]有机污染物的混合毒性QSAR模型及其机制研究进展[J]. 王婷,林志芬,田大勇,王大力,孔令云,仇雁翎. 科学通报. 2015(19)
[4]Tox21计划的进展[J]. 周宗灿. 毒理学杂志. 2015(03)
[5]基于细胞阻抗传感器的腹泻性毒素检测系统设计与实现[J]. 苏凯麒,邹玲,王琴,黎洪波,曹端喜,邹瞿超,周洁,胡宁,王平. 传感技术学报. 2014(03)
[6]To×21合作行动进入新阶段[J]. 陈浩. 职业卫生与应急救援. 2011(03)
本文编号：3576581
本文链接：https://www.wllwen.com/yixuelunwen/yiyaoxuelunwen/3576581.html
最近更新
教材专著
