基于药物相似性特性预测有效药物组合

摘要

采用多靶标的策略治疗如癌症、艾滋等复杂疾病已经成为一种趋势。对于现已有的药物组合多是临床经验习得，其分子机制不明晰，设计新的药物组合困难重重。
　　在此，我们提出了一种新的预测有效药物组合的研究方法。该方法融合了药物生物学（靶蛋白、疾病通路）、化学（二维结构、化合物相互作用可能性）及药理学（药物疗效）等方面的信息，描述药物组合的特征。我们通过对药物相关数据的完整性筛选，最终选定352对药物组合作为我们建立药物组合预测模型的研究对象。我们为每对药物组合构建了732维的特征向量以描述其属性。但这些特征中可能存在冗余信息，因此，我们采用最小冗余最大相关算法选出对样本分类贡献大、最有影响的特征。
　　经过特征筛选后的训练集样本将作为模型的输入建立药物组合预测模型。本研究中，我们分别采用了三种不同的机器学习方法建立药物组合预测模型。此外，我们还构建了基于基学习和相似性矩阵的方法构建模型。通过测试集对建立的模型进行评价后发现，基于随机梯度提升的方法建模效果最好。
　　接着，我们将预测模型应用在不同类的特征上，结果表明，用药物疗效信息特征的建模效果最好，药物相互作用的效果次之，蛋白质相互作用的结果最差。最后，为验证此方法的有效性，我们将其应用到治疗高血压的药物上。
　　我们的研究方法不但可以帮助预测新的有效药物组合，并对于挖掘组合用药背后的分子机制有指导意义。

目录

声明

答辩决议书

第一章 绪论

1.1 药物组合概况

1.2 数据挖掘的基本概念和过程

1.3 药物组合问题探究及预测模型机器学习算法介绍

1.4 研究思路

第二章 材料与方法

2.1 材料

2.2 特征构建

2.3 特征选择

2.4 基于机器学习算法的模型建立

2.5 基于Meta-learning的药物组合预测模型

2.6 基于相似性矩阵建立药物组合预测模型

2.7 软件及程序介绍

2.8 交叉验证

2.9 模型评价

第三章 结果

3.1 药物和药物组合数据预处理

3.2 特征选择

3.3 基于不同机器学习算法的药物组合预测模型

3.4 基于meta-learning算法构建药物组合预测模型

3.5 基于相似性矩阵建立药物组合预测模型

3.6 特征分析

3.7 高血压药物组合研究

3.8 方法比较

第四章 讨论

参考文献

附录

附录1 有效药物组合及支持向量机建模结果

附录2 不同负样本量的支持向量机算法建模结果

附录3 治疗高血压的药物组合

致谢

攻读硕士研究生期间发表（或录用）的学术论文