期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
融合堆叠自编码神经网络算法和全连接神经网络算法的化合物成药性预测模型
被引量:
3
1
作者
潘蕾
倪冰苇
赵鸿萍
《中国新药杂志》
CAS
CSCD
北大核心
2021年第14期1309-1315,共7页
目的:基于深度学习方法建立更加稳定、可靠、高实用性的化合物成药性预测模型。方法:通过Integrity, Chembl和DrugBank这3个数据库收集正、负样本数据,对正负样本大数据集进行数据清洗、解决数据不平衡问题之后,进一步对化合物的简化分...
目的:基于深度学习方法建立更加稳定、可靠、高实用性的化合物成药性预测模型。方法:通过Integrity, Chembl和DrugBank这3个数据库收集正、负样本数据,对正负样本大数据集进行数据清洗、解决数据不平衡问题之后,进一步对化合物的简化分子线性输入规范(SMILES)码进行标准化编码,在此基础上基于堆叠自编码神经网络算法(Stacked AutoEncoder, SAE)以及全连接神经网络算法(Fully Connected Neural Network, FCNN)构建并训练深度神经网络模型,对化合物进行特征提取,预测化合物的成药性。结果:模型最终稳定收敛,在验证集上准确率(ACC)和曲线下面积(AUC)分别达到0.995 3和0.992 7,较之前文献报道的基于机器学习的模型提高了约3%的预测精度。结论:基于大数据集和深度神经网络技术构建的化合物成药性预测模型具备一定的实用性,可以提高化合物成药性预测的精准度。
展开更多
关键词
堆叠自编码神经网络
全连接神经网络
深度学习
SMILES码
成药性预测
原文传递
题名
融合堆叠自编码神经网络算法和全连接神经网络算法的化合物成药性预测模型
被引量:
3
1
作者
潘蕾
倪冰苇
赵鸿萍
机构
中国药科大学理学院
出处
《中国新药杂志》
CAS
CSCD
北大核心
2021年第14期1309-1315,共7页
基金
国家自然科学基金面上项目(81973512)
中国药科大学校级教学改革研究课题重点项目(3050050188)。
文摘
目的:基于深度学习方法建立更加稳定、可靠、高实用性的化合物成药性预测模型。方法:通过Integrity, Chembl和DrugBank这3个数据库收集正、负样本数据,对正负样本大数据集进行数据清洗、解决数据不平衡问题之后,进一步对化合物的简化分子线性输入规范(SMILES)码进行标准化编码,在此基础上基于堆叠自编码神经网络算法(Stacked AutoEncoder, SAE)以及全连接神经网络算法(Fully Connected Neural Network, FCNN)构建并训练深度神经网络模型,对化合物进行特征提取,预测化合物的成药性。结果:模型最终稳定收敛,在验证集上准确率(ACC)和曲线下面积(AUC)分别达到0.995 3和0.992 7,较之前文献报道的基于机器学习的模型提高了约3%的预测精度。结论:基于大数据集和深度神经网络技术构建的化合物成药性预测模型具备一定的实用性,可以提高化合物成药性预测的精准度。
关键词
堆叠自编码神经网络
全连接神经网络
深度学习
SMILES码
成药性预测
Keywords
St
a
cked
a
utoEncoder
Fully Connected Neur
a
l Network
deep le
a
rning
SMILES
probability prediction of a lead compound becoming a drug
分类号
R95 [医药卫生—药学]
原文传递
题名
作者
出处
发文年
被引量
操作
1
融合堆叠自编码神经网络算法和全连接神经网络算法的化合物成药性预测模型
潘蕾
倪冰苇
赵鸿萍
《中国新药杂志》
CAS
CSCD
北大核心
2021
3
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部