基于深度学习的化合物诱变性和线粒体毒性预测

发布时间：2021-04-12 07:30

　　癌症是一类与细胞恶性增殖密切相关的疾病,长期存在于人类历史中。常见的致癌因素包括理化致癌、生活方式致癌、激素致癌、炎症致癌和辐射致癌等。其中,化学致癌随着近年来工业的高速发展和各类化学物质在人类生活中的广泛应用,成为一大值得引起高度重视的致癌因素。因此,通过各种手段以预知一些潜在致癌的化合物就成为至关重要的一类研究。化学致癌物质的实验预测和验证早在40年前就已开始,主要方法是体外实验,但这些方法大多无法保证较高的可靠度,且在成本和通量方面受到限制。所以,基于定量构效关系,从化合物的结构信息来预测其致癌可能性就成为21世纪之后更加热门的研究领域,但这类方法也存在两个问题,一是大多数据驱动的模型在对应评价指标方面缺乏足够好的表现,二是构建模型所采用的算法大多是传统的机器学习算法,很难使预测结果得到进一步提升。与此同时,深度学习作为一种新兴的,具有强大建模能力的方法,不仅在图像,文本,音频等领域展现出超越传统方法的标签预测和信息提取能力,在化学信息学方面也已经有各方面的应用。同时,相关研究大多局限于通用性致癌数据,但化学致癌过程大多为毒性化合物引起人体病变后所致,因此需要一些额外的思路来拓展... 

【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】：

多层的全连接神经网络

earlystopping示意

兰州大学硕士学位论文基于深度学习的化合物诱变性和线粒体毒性预测9′(x,y)=(x,y)+α||θ||（1-5）其中，||θ||表示权值惩罚项，α则是可调节参数。一般来说有L1正则化和L2正则化两种方式，即221||||Niiθθ==∑（1-6）11||||Niiθθ==∑（1-7）两者依次分别表示L1范数和L2范数。此方法整体而言对模型表现的改善不如dropout和早停法，不过实验表明L2正则化相比L1正则化更有效。图1-2earlystopping示意。图1-3基础RNN的网络结构。


本文编号：3132902