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