基于RBM的小分子活性及选择性研究

发布时间：2017-05-01 08:07

  本文关键词：基于RBM的小分子活性及选择性研究，，由笔耕文化传播整理发布。

【摘要】：从自然界中寻找新药是一个耗时耗力的过程。随着计算机辅助药物设计和化学信息学的发展,对化学结构与生物活性及选择性的相关性研究(SAR SSR)越来越受到重视。这是因为SAR SSR可以通过计算机高效地对小分子成药的可能性进行评估,进而极大地减少了药物开发的成本,然而,小分子活性研究仍缺乏高效准确的预测方法。此外,小分子选择性也多在后期测验或临床试验才知晓,如果发现即将被拿来制药的小分子有副作用将浪费大量人力物力以及增加时间成本。这些都成为药物发现的瓶颈,对新药研发的速度和准确度提出了挑战。基于机器学习的小分子活性和选择性预测一直以来都是药物发现中一个重要的研究课题之一,众多研究者已经做了大量的研究工作。不同于在一般统计分析上的化学结构-活性(SAR)及化学结构-选择性(SSR)模型的研究,本文主要基于受限玻尔兹曼机(RBM)的协同过滤、深度学习等机器学习方法实现了小分子活性/选择性的研究与预测。主要的研究内容包括以下几个方面：1. 将推荐系统中的用户、商品、评分分别与化学信息学中的靶标、小分子、活性相对应,构建一个稀疏的靶蛋白-小分子矩阵,获得一个推荐小分子数据集。2. 将基于受限玻尔兹曼机的协同过滤算法成功应用到化学信息学中的小分子活性预测问题,实现小分子的推荐。3. 对基于深度信念网络(DBN)的深度学习算法加以改进,使其成功融合多任务学习方法,通过RBM无监督过程可有效学习小分子描述符的分布式表示以及使用多任务学习方法提高小分子选择性预测的准确率。本文利用得到的推荐小分子数据集验证了基于受限玻尔兹曼机的协同过滤算法的正确性和效率,并用明尼苏达大学所收集的SSR数据集验证了基于DBN多任务深度学习算法的有效性和准确性。论文的研究成果将大大降低药物开发成本,缩短药物发现周期,为科学家从海量化学数据中进行药物发现研究提供了支持。
【关键词】：SAR SSR 受限玻尔兹曼机 协同过滤 深度学习 多任务学习
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP181;R91
【目录】：

• 中文摘要3-4
• Abstract4-7
• 第一章 绪论7-13
• 1.1 研究背景7-9
• 1.1.1 新时代药物发现研究面临的机遇和挑战7-8
• 1.1.2 受限玻尔兹曼机的兴起和应用8-9
• 1.2 国内外研究现状9-11
• 1.2.1 SAR国内外研究现状9-10
• 1.2.1 SSR国内外研究现状10-11
• 1.3 本文主要工作11-12
• 1.4 论文组织机构12-13
• 第二章 相关理论技术概述13-20
• 2.1 受限玻尔兹曼机13-15
• 2.2 协同过滤15-17
• 2.3 深度学习17-19
• 2.4 多任务学习19-20
• 第三章 小分子推荐中靶蛋白-小分子矩阵构建20-27
• 3.1 商品推荐vs.小分子推荐20-22
• 3.2 构建靶蛋白-小分子矩阵的可行性22
• 3.3 靶蛋白-小分子矩阵的构建22-23
• 3.4 靶蛋白-小分子矩阵统计特性23-26
• 3.4.1 无活性/弱活性/活性小分子分布24-25
• 3.4.2 小分子相似性比较25-26
• 3.5 本章小结26-27
• 第四章 基于RBM的协同过滤算法在药物发现领域的应用27-31
• 4.1 需求分析27-28
• 4.2 基于RBM模型的小分子活性预测28
• 4.3 小分子推荐评估方法28-29
• 4.4 实验结果与分析29-30
• 4.5 本章小结30-31
• 第五章 基于RBM的SSR多任务深度学习模型31-43
• 5.1 小分子选择性实验数据以及评估方法31-33
• 5.1.1 数据集31-32
• 5.1.2 符号定义32-33
• 5.1.3 评估方法33
• 5.2 基于神经网络的SSR多任务模型33-37
• 5.2.1 SSRm1000-lr、SSRm2048-lr、SSR1000w-lr预测模型34-35
• 5.2.2 实验结果与分析35-37
• 5.3 基于DBN的SSR多任务模型37-42
• 5.3.1 SSRmDBN、SSRDBN、SSRDBNw预测模型38
• 5.3.2 实验结果与分析38-42
• 5.4 本章小结42-43
• 第六章 总结与展望43-45
• 6.1 本文总结43
• 6.2 未来工作的展望43-45
• 参考文献45-49
• 研究生期间研究成果49-50
• 致谢50

【相似文献】

中国硕士学位论文全文数据库 前5条

1 李娟;基于RBM的小分子活性及选择性研究[D];兰州大学;2015年

2 叶睿;基于深度学习的人脸检测方法研究[D];哈尔滨工业大学;2015年

3 王海麟;通过信息几何方法挖掘玻尔兹曼机的不变性[D];天津大学;2014年

4 仝少敏;基于受限玻尔兹曼机的面部运动识别方法研究[D];哈尔滨工业大学;2014年

5 李平;监督概率主题模型研究[D];安徽工业大学;2014年

  本文关键词：基于RBM的小分子活性及选择性研究，由笔耕文化传播整理发布。

本文编号：338545