×
王慧卿;赵森;赵静;冯志鹏

基于密集卷积注意网络的药物-疾病关联预测模型。 （英语） Zbl 1501.92059号

数学。Biosci公司。工程师。 18，第6号，7419-7439（2021）.

理学硕士：

92 C50 医疗应用（通用）
68T07型 人工神经网络与深度学习

关键词：

药物-疾病关联预测;高斯相互作用轮廓核相似度;稠密卷积神经网络;卷积块注意模块;随机森林分类器

软件：

CDK公司;药物数据库;哥伦比亚广播公司
PDF格式BibTeX公司 XML格式引用
\textit{H.Wang}等人，数学。Biosci公司。工程18，编号6，7419--7439（2021；Zbl 1501.92059）
全文： 内政部
OA许可证

参考文献：

[1] H、 药物重新定位的生物医学数据和计算模型：综合评述，生物信息学简介，221604-1619（2020）
[2] 五十、 《基于网络的药物重新定位方法综述》，《生物信息学简介》，19，878-892（2017）
[3] P、 基于卷积神经网络和门控复发单元的药物相关疾病推断，分子，24，2712（2019）·doi:10.3390/分子24152712
[4] Y.Wang，S.Chen，N.Deng，W.Yong，通过分子结构、分子活性和表型数据的基于核的整合进行药物重新定位，公共科学图书馆期刊，8（2013），e78518。
[5] A、 预测：一种新的药物适应症推断方法，应用于个性化药物，分子系统。生物学，74496（2011）·doi:10.1038/msb2011.26
[6] 十、 deepDR：一种基于网络的电子药物重新定位深度学习方法，生物信息学，35，5191-5198（2019）·doi:10.1093/bioinformatics/btz418
[7] M、 基于有界核规范正则化的药物重新定位，生物信息学，35，i455-i463（2019）·doi:10.1093/bioinformatics/btz331
[8] W、 基于矩阵分解的整合基因组空间预测新药适应症。数学。方法M.，2015，275045（2015）
[9] Z、 PBMDA：一种新的、有效的基于路径的miRNA-disease关联预测计算模型，PLoS-Comput。生物学，13，e1005455（2017）·doi:10.1371/journal.pcbi.1005455
[10] 五、 用于预测药物靶点相互作用的高斯相互作用轮廓核，生物信息学，273036-3043（2011）·doi:10.1093/bioinformatics/btr500
[11] C、 DDIGIP：基于高斯相互作用轮廓核预测药物相互作用，BMC Bioninform。，20, 538 (2019) ·doi:10.1186/s12859-019-3093-x
[12] W、 LDAP：lncRNA-disease关联预测的web服务器，生物信息学，33，458-460（2017）
[13] 五十、 通过药物疾病异质网络上的随机漫步推断批准药物的新适应症，BMC Bioninform。，17, 539 (2016) ·doi:10.1186/s12859-016-1336-7
[14] M、 重叠矩阵完成用于预测药物相关适应症，PLoS。计算。生物学，15，e1007541（2019）·doi:10.1371/journal.pcbi.1007541
[15] Y.Lecun、Y.Bengio、G.Hinton，深度学习，自然, 521 (2015), 436-444.
[16] Q.Zhao，T.Sheng，Y.Wang，Z.Tang，Y.Chen，L.Cai，et al.，M2Det:一种基于多级特征金字塔网络的单点目标检测器，InAAAI人工智能会议记录，2019年，美国夏威夷州火奴鲁鲁。
[17] G.Huang，Z.Liu，V.Laurens，K.Q.Weinberger，稠密连接卷积网络，InIEEE计算机视觉和模式识别会议记录2017年，美国夏威夷州火奴鲁鲁。
[18] D、 MusiteDeep:一般和激酶特异性磷酸化位点预测的深度学习框架，生物信息学，33，3909-3916（2017）·doi:10.1093/bioinformatics/btx496
[19] H、 一种基于多模深度自动编码器的新型药靶相互作用预测方法，Front。药理学。，10, 1592 (2020) ·doi:10.3389/fpar.2019.01592
[20] R.Hu，J.Andreas，M.Rohrbach，T.Darrell，K.Saenko，《学习理性：视觉问题回答的端到端模块网络》，In PIEEE计算机视觉国际会议进展，2017年，意大利威尼斯。
[21] L.Yu，Z.Lin，X.Shen，J.Yang，X.Lu，M.Bansal，et al.，MAttNet:指称表达理解的模块化注意网络，InIEEE计算机视觉和模式识别会议记录2018年，美国犹他州盐湖城。
[22] H、 HNet-DNN：基于异质网络特征，利用深度神经网络推断新的药物-疾病关联，J.Chem。信息模型。，60, 2367-2376 (2020) ·doi:10.1021/acs.jcim.9b01008
[23] Y、 基于神经网络中邻域信息聚合的Drug-Disease关联预测，IEEE Access，750581-50587（2019）·doi:10.1109/ACCESS.2019.2907522
[24] J、 SAEROF：一种集成方法，通过结合旋转森林和稀疏自编码深度神经网络进行大规模药物-疾病关联预测，Sci。代表，104972（2020年）·doi:10.1038/s41598-020-61616-9
[25] J、 通过使用高斯相互作用曲线和基于核的自动编码器预测药物-疾病关联，BioMed。国际研究，2019，1-11（2019）
[26] S.Woo，J.Park，J.Y.Lee，I.S.Kweon，《CBAM：卷积块注意模块》，In欧洲计算机视觉会议记录德国慕尼黑，2018年。
[27] H.Jie，S.Li，S.Gang，《挤压和励磁网络》，InIEEE计算机视觉和模式识别会议记录2018年，美国犹他州盐湖城。
[28] D.S.Wishart、K.Craig、A.C.Guo、S.Savita、H.Murtaza、S.Paul等人，DrugBank：电子药物发现和探索的综合资源，核酸研究。，34（2006），D668-672。
[29] H.Ada、A.F.Scott、A.Joanna、B.Carol、V.David、V.A.Mckusick，《人类孟德尔遗传在线》（OMIM），人类基因和遗传疾病知识库，核酸研究., 30 (2005), 514.
[30] A、 比较毒理学数据库：2019年更新，核酸研究，47，D948-D954（2019）·doi:10.1093/nar/gky868
[31] C、 化学开发工具包（CDK）：一个用于化学和生物信息学的开源Java库，J.Chem。Inf.计算。科学。，43, 493-500 (2003) ·doi:10.1021/ci025584y
[32] D.Weininger，SMILES，一个化学语言和信息系统方法论和编码规则介绍，化学杂志。Inf.计算。科学。, 28, (1988) 31-36.
[33] M、 人类现象的文本分析，Eur.J.Hum.Genet。，14, 535-542 (2006) ·doi:10.1038/sj.ejhg.5201585
[34] A、 人类在线孟德尔遗传（OMIM），Hum.突变。，15, 57-61 (2000) ·doi:10.1002/（SICI）1098-1004（200001）15:1<57:：AID-HUMU12>3.0.CO；2-G型
[35] X.Glrot，A.Bordes，Y.Bengio，《深度稀疏整流器神经网络》，In国际人工智能与统计会议论文集2011年，美国佛罗里达州劳德代尔堡。
[36] 何凯，张欣，任生，建生，深度剩余网络中的恒等映射，in欧洲计算机视觉会议记录荷兰阿姆斯特丹劳德代尔堡，2016年。
[37] S.Ioffe，C.Szegedy，《批量规范化：通过减少内部协变量转移加快深层网络培训》，年机器学习国际会议论文集，法国里尔，2015年。
[38] H.Wang、J.Wang，C.Dong，Y.Lian，D.Liu，Z.Yan，基于多模深度自动编码器的新型药物-靶相互作用预测方法，药理学前沿, 10 (2020).
[39] 十、 用于miRNA-disease关联预测的多视图多通道注意图卷积网络，简介。生物信息。，2021, 1-12 (7006)
[40] 十、 用于计算药物重新定位的附加神经矩阵分解模型，BMC Bioninform。，423 (2019)
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。