1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 机器学习方法概述
1.4 本书的研究内容及结构安排
2 融合进化信息和理化特性预测蛋白质相互作用
2.1 引言
2.2 数据集和方法
2.3 实验及分析
2.4 小结
3 基于改进的Weber局部描述符预测蛋白质相互作用
3.1 引言
3.2 数据集和方法
3.3 实验及分析
3.4 小结
4 RVMBIGP:采用二元概率和RVM辨识自相互作用蛋白质
4.1 引言
4.2 数据集
4.3 RVMBIGP模型
4.4 实验结果和讨论
4.5 小结
5 DBMDA:miRNA序列的统一嵌入及其在miRNA-疾病关联预测中的应用
5.1 引言
5.2 数据集和方法
5.3 实验及分析
5.4 小结
6 MLMDA:基于多源异构信息的miRNA与疾病关联预测
6.1 引言
6.2 数据集和方法
6.3 实验及结果分析
6.4 小结
7 FCGCNMDA:应用全连接图卷积网络预测miRNA与人类复杂疾病关联
7.1 引言
7.2 数据集
7.3 FCGCNMDA
7.4 实验及分析
7.5 小结
8 HCFMDA:采用混合协同过滤框架预测miRNA-疾病关联
8.1 引言
8.2 数据集
8.3 HCFMDA
8.4 实验及分析
8.5 小结
9 DRMDA:基于深度表征的miRNA-疾病关联预测
9.1 引言
9.2 DRMDA
9.3 实验结果
9.4 小结
10 PRMDA:基于个性化推荐的miRNA-疾病关联预测
10.1 引言
10.2 PRMDA
10.3 实验结果
10.4 小结
11 结合药物化学结构和蛋白质序列信息的药物-靶标相互作用预测
11.1 引言
11.2 数据集和方法
11.3 实验结果及分析
11.4 小结
12 LAIPT:利用多项式树识别赖氨酸乙酰化位点
12.1 引言
12.2 材料与方法
12.3 结果和讨论
12.4 小结
13 总结与展望
13.1 工作总结
13.2 研究展望
参考文献