基于网络嵌入的药物-靶标相互作用预测算法研究开题报告

全文总字数：9722字

1. 研究目的与意义（文献综述）

目的及意义：

药物靶标（target）是指体内与疾病的发生具有因果关系，并能被药物作用以达到治疗目的的生物大分子，如某些蛋白质和核酸等。药物分子通过与靶向特定疾病有关的靶标蛋白的结合，从而达到治疗疾病的效果。因此，准确识别药物和靶标之间的相互作用是现代药物研发的基础。

传统的药物研发主要遵循“一药一靶一病”的理念，认为具有高选择性的药物更安全、更有效[1]。然而，这一传统的理念只关注疾病系统中靶向药物设计的单个因素，而忽略了药物与其靶向蛋白之间的复杂的相互作用。因此该理念并没有达到加速新药发现的目的[2-4]。

2. 研究的基本内容与方案

基本内容

近年来，由于生物学数据例如蛋白质结构，基因组序列，基因和特定蛋白质的活性配体在数量上的迅速增长，以及生物问题的复杂多样性，导致传统的机器学习模型已经不能够满足需要。深度学习，作为一种新型的机器学习算法，已经在众多领域被证明其性能要优于传统的机器学习算法。与传统的机器学习对比，深度学习不仅能够拟合大数据，并且研究表明其性能随着数据样本量的增加而提升。除此之外，深度学习的网络体系结构灵活多变，能够适用于药物研发过程中的各项任务。

本课题正是在已有计算方法的基础上，基于深度学习的领域开展的研究，主要研究内容如下：

3. 研究计划与安排

进度安排：

(1)2019/1/19—2019/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；(2)2019/3/1—2019/4/30：搜集数据、提取数据特征、构建深度神经网络、建立学习模型并预测结果、进一步对比与完善；

(3)2019/5/1—2019/5/25：撰写及修改毕业论文；

4. 参考文献（12篇以上）

[1] lindsay, m.a. target discovery [j]. nature reviews drugdiscovery, 2003, 2(10): 831-818.

[2] yamanishi, y., araki, m., gutteridge, a., honda, w.,kanehisa, m. prediction of drug-target interaction networks from theintegration of chemical and genomic spaces [j]. bioinformatics, 2008, 24(13):i232-240.

[3] chen, x., yan, c.c., zhang, x., zhang, x., dai, f., yin,j., zhang y. drug-target interaction prediction: databases, web servers andcomputational models [j]. brief bioinform, 2016, 17(4): 696-712.