组合药物的机器学习预测方法构建及应用.pdfVIP

组合药物的机器学习预测方法构建及应用 目录 摘 要 i Abstract ii 缩略语表 iv 1 前言 1 1.1 组合药物概述 1 1.2 药物多组学研究简介 2 1.3 机器学习与组合药物预测概述 5 1.3.1 机器学习的相关概念 5 1.3.2 组合药物预测简述 7 1.3.3 国内外研究现状 8 1.4 紫杉醇及其作用简介 10 1.5 研究内容及意义 11 2 材料与方法 13 2.1 数据来源 13 2.2 实验细胞与药物 14 2.3 数据预处理 14 2.3.1 药物表达谱数据的预处理 14 2.3.2 药物模块数据的预处理 16 2.3.3 药物相似性计算 17 2.4 研究方法 18 2.4.1 基于药物相似性的相关性分析 18 2.4.2 基于药物相似性的三种组合药物模型构建与比较 18 2.4.3 基于近邻推荐方法的预测模型构建 21 2.4.4 基于近邻推荐模型的集成学习模型构建与特征筛选 22 2.4.5 与已有组合药物预测方法的比较 24 2.4.6 细胞体外生长抑制试验 25 2.4.7 潜在组合药物组合指数测定 26 2.4.8 机器学习模型评估标准 27 3 结果与分析 28 3.1 药物相似性数据相关性评估 28 3.2 三种不同机器学习模型评估与比较 29 3.3 正负样本间相似性差异分析结果 33 3.4 基于近邻推荐模型的集成学习模型构建与特征筛选 35 3.4.1 近邻推荐模型的构建与评估 35 3.4.2 集成学习模型的构建与评估 36 3.4.3 特征重要性评估 36 3.5 与已有组合药物方法比较结果 38 3.6 潜在组合药物预测结果 39 3.7 组合药物细胞实验结果 39 3.7.1 药物细胞毒性结果 40 3.7.2 组合药物细胞实验结果 41 I 华中农业大学2020届硕士研究生学位（毕业）论文 4. 讨论与展望 42 参考文献 44 附录 51 附录 1 论文补充材料 51 附录2 作者简历及研究成果 55 致谢 56 II 组合药物的机器学习预测方法构建及应用 摘 要 组合药物是制药工业中很有前途并且十分重要的研究领域。传统药物学遵循 “一药一靶”的理念，但在使用单一药物治疗的过程中往往会出现耐药性和副作 用，同时新靶点发现相当缓慢