14、机器学习在药物分子活性预测与RNA结合残基预测中的应用

最新推荐文章于 2025-12-04 22:05:42 发布
最新推荐文章于 2025-12-04 22:05:42 发布
阅读量10 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 信息学教育的现在与未来 文章标签： 机器学习 药物分子活性预测 RNA结合残基预测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/day7/article/details/153663203

机器学习在药物分子活性预测与RNA结合残基预测中的应用

1. 药物分子活性预测相关算法对比

在药物分子活性预测领域，多种算法被用于提升预测的准确性和泛化能力。这里主要涉及径向基函数神经网络（RBFNN）及其相关集成学习方法。

算法 预测准确率 单个RBFNN数量 欠拟合RBFNN数量
RBFNN 49.89% – –
ORNNUD 49.89% – –
Bagging 61.29% 50 27
OBUD 63.44% 50 3
ORNNEIUD 63.44% 50 0
ORNNEUD 66.24% 17
订阅专栏 解锁全文 会员秒杀 ¥9.9 重磅福利 超级会员免费看
57、机器学习与人工智能在纳米药物中的应用
fff88的博客
09-25 60
本文深入探讨了机器学习（ML）和人工智能（AI）在纳米药物领域的应用，涵盖纳米颗粒的制备、优化及在癌症治疗中的关键作用。文章介绍了监督学习与无监督学习的基本原理，常用算法如逻辑回归、支持向量机和人工神经网络，并展示了ML/AI在预测纳米颗粒性质、优化药物组合、分析肿瘤微环境等方面的实际案例。通过数据驱动的方法，ML与AI显著提升了纳米药物研发效率，推动个性化医疗发展。未来，技术融合、跨学科合作与伦理监管将成为该领域的重要方向。
22、基于图卷积的分子生物活性预测研究
redis7keeper的博客
09-12 77
本文提出了一种基于自注意力机制的特征融合方法，并构建了基于边缘注意力的图卷积模型 EAGCN 和 MF EAGCN，用于分子生物活性预测。通过在 PubChem 数据库中的多个生物活性数据集上进行实验，验证了模型相较于传统机器学习方法在分类性能上的优越性。EAGCN 通过直接学习分子图结构避免了人工特征工程误差，而 MF EAGCN 则通过多特征融合方案进一步优化了模型性能。研究还探讨了样本不平衡问题的优化策略，并分析了模型在多个评估指标上的表现。
机器学习在科研领域的应用与未来趋势：机器学习第一性原理+分子动力学
元素魔方科研服务
03-14 1392
随后，他们以物理描述符（如前驱体性质）为输入特征，训练了一个人工神经网络（ANN）模型，预测MTMCs的机械性能，包括体积模量（B）、剪切模量（G）、杨氏模量（E）和维氏硬度（H_v）。结合了密度泛函理论（DFT）和机器学习（ML）技术，旨在探索掺杂元素对铪氧化物（HfO2）基铁电材料的影响。研究团队开发了一种高效的力矩张量潜力（MTP），通过在线主动学习方法训练，结合高级采样技术，从分子动力学轨迹中迭代选择代表性构型进行DFT计算，确保训练数据集（3775个96原子结构）覆盖相关相空间。
3、人工智能在药物设计与递送中的应用
fff88的博客
08-02 58
本文综述了人工智能（AI）和机器学习在药物设计与递送中的应用，涵盖从靶点识别、药物候选物设计到肽类药物开发和虚拟筛选的全流程。文章介绍了监督学习、无监督学习和强化学习等机器学习方法，并探讨了其在制药操作优化、质量设计、连续制造及预配方研究中的实际应用。同时，列举了常用的化学信息学工具包和数据库资源，分析了当前面临的挑战，如数据可解释性、模型适应性和技术操作复杂性，并展望了算法创新、多技术融合、个性化医疗及跨学科合作推动下的未来发展路径。
15、机器学习在生物医学信息学中的应用与挑战
w8x9y0z1的博客
08-16 24
本文综述了机器学习在生物医学信息学中的广泛应用与关键挑战。从集成学习方法（如装袋法和堆叠法）及其理论基础——偏差-方差-协方差分解出发，深入探讨了生物神经系统中的学习机制，包括Hebb规则、STDP等突触可塑性模型。随后，文章系统分析了五类核心生物医学数据：基因表达微阵列、SNP遗传数据、质谱蛋白质组学、高通量药物筛选和电子医疗记录，阐述了各类数据的特点、典型任务及建模挑战。结合实际应用场景，总结了数据处理、模型选择与跨学科合作的关键经验，并展望了多数据融合、因果关系挖掘、计算机辅助诊断和强化学习等未来研究
14、前列腺癌关键基因预测分析与泛基因组图机器学习方法
n7o8p的博客
08-26 100
本研究聚焦于前列腺癌关键基因的预测分析以及泛基因组图的机器学习方法。通过基因选择模型识别与前列腺癌相关的显著基因，并利用GO和KEGG富集分析揭示其在脂肪酸生物合成、RNA结合及降解等生物过程中的作用。研究比较了多种基因选择模型的性能，发现集成模型（如ReliefF + mRMR）在分类准确率和计算效率之间取得了良好平衡。此外，文章探讨了泛基因组图机器学习方法的应用现状与挑战，并提出了未来研究方向，包括引入深度学习模型和开展多类分类以提高诊断准确性。研究为前列腺癌的精准治疗提供了潜在的生物标志物和治疗靶点。
量子化学计算加速药物分子设计软件中构效关系预测的应用
2501_92478127的博客
06-16 1018
量子化学计算通过提供分子级别的动态模拟能力，正在重塑药物分子设计范式。根据WHO统计，采用QCC加速的SAR预测可将药物发现周期从5-7年缩短至2-3年（WHO Technical Report Series, 2023）。未来需重点突破算法优化、数据标准化和跨学科整合三大方向，建议： 建立国际QCC-SAR计算标准（如统一输入输出格式）。开发"计算-实验"闭环验证平台（如自动化机器人实验站）。本研究的核心价值在于证明QCC与AI技术的协同效应，为精准医疗时代的药物研发提供可扩展的技术框架。
2、启动子序列分析中的机器学习方法
net55的博客
08-16 32
本文综述了在启动子序列分析中应用机器学习方法的研究进展。从启动子的基本结构出发，介绍了II类启动子的核心元件、近端与远端调控区域的特征，并阐述了启动子预测、转录因子结合位点（TFBSs）发现、启动子序列表示及建模的关键技术。文章重点讨论了多种基于机器学习的启动子预测工具及其算法原理，如SVM、ANN和HMM等，同时强调了PWM、基序比对和启动子模块在调控机制解析中的作用。最后，展望了深度学习与多组学数据整合在未来启动子分析中的潜力，展示了其在疾病诊断与药物研发中的广泛应用前景。
图学习+分子表示学习，飞桨刷新药物分子性质预测榜单
PaddlePaddle
03-17 701
点击左上方蓝字关注我们百度飞桨凭借图学习框架 (PGL) 和生物计算平台螺旋桨(PaddleHelix)，登顶权威榜单 OGB 多项分子性质预测任务，在 AI 药物发现领域取得新的技术突破...
基于机器学习方法的丙型肝炎病毒非结构蛋白5B聚合酶抑制剂活性预测(英文).pdf
09-24
本文主要探讨了三种机器学习算法——支持向量机（SVM）、k-最近邻法（k-NN）以及C4.5决策树（C4.5 DT），在建立丙型肝炎病毒NS5B抑制剂与非抑制剂分类预测模型中的应用。研究人员选取了包含1248个具有结构多样性的...
新冠病毒RNA序列预测与基因组学中的机器学习应用
### 新冠病毒RNA序列预测与基因组学中的机器学习应用 #### 1. 模型中引入Transformer架构 Transformer是一种使用编码器和解码器将一个序列转换为另一个序列的架构，与LSTM类似。但与之前提到的和已在使用的序列到...
【机器学习】23-25 决策树 & 树集成
weixin_54010404的博客
12-02 1197
本文系统性地介绍了决策树模型及其相关算法。首先阐述了决策树的基本结构与学习过程，重点讨论了如何通过最大化信息增益选择最优划分特征，并详细解释了熵作为纯度衡量指标的计算方法。文章涵盖了分类树与回归树的构建逻辑，包括离散特征处理（独热编码）和连续特征阈值选择。 进一步，文章深入探讨了决策树集成方法，重点分析了随机森林算法通过放回抽样和特征随机选择来增强模型鲁棒性的机制。特别介绍了XGBoost算法的核心优势：自适应样本权重调整、内置正则化和高效实现。最后，文章对比了决策树集成与神经网络的应用场景。
0011机器学习特征工程
老欧学视觉的博客
12-03 734
本文系统介绍了机器学习特征工程的关键内容，包括特征工程在机器学习流程中的重要性、数据处理方法和降维技术。主要内容涵盖：1）特征工程的核心作用是通过数据预处理提升模型效果，包括异常值处理、数据平衡、文本向量化等；2）详细讲解了数据清洗、缺失值填充、标准化/归一化、One-Hot编码等基础处理方法；3）重点阐述了文本特征提取技术（词袋法、TF-IDF）和降维方法（特征选择、PCA、LDA）。文章强调特征工程需结合业务场景进行特征衍生和优化，占整个开发流程30%-50%的工作量，是机器学习项目成功的关键环节。
学习笔记二十三：支持向量机-间隔与支持向量
dengdaijc的专栏
12-02 743
本文介绍了支持向量机(SVM)的基本原理。SVM通过在样本空间中寻找最优划分超平面来实现分类，其核心思想是最大化分类间隔以提高泛化能力。关键概念包括：划分超平面的数学表示（由法向量和位移项定义）、支持向量（决定超平面位置的最近样本点）以及间隔（反映分类置信度）。SVM的基本型是一个凸二次规划问题，通过最小化法向量范数平方来最大化间隔，同时满足所有样本正确分类的约束条件。该方法具有理论严谨、模型稀疏、全局最优等优势，是经典的分类学习算法。
机器学习--损失函数
weixin_57225400的博客
12-04 382
损失函数（Loss Function）是机器学习中用于衡量模型预测值与真实值之间差异的函数，是优化算法的核心目标。通过最小化损失函数，模型逐步调整参数以提高预测准确性。通过组合现有函数或设计新公式满足特定需求。加权MSE：为不同样本分配不同权重。正则化损失：加入L1/L2惩罚项防止过拟合。
【机器学习三大范式对比总结】
最新发布
严文文 Chris
12-04 271
当初我学机器学习，一看到这些复杂的表格和术语就头疼。直到有一天，我意识到，这三种学习范式其实就像我们人类不同的学习方式，我才恍然大悟。现在，我希望以这段心路历程，带你用全新的视角理解它们。想象你被丢进一个完全陌生的市场，没有任何商品标签。你正在用什么范式面对你的知识、你的工作、你的人生困境呢？这个问题的答案，或许比任何算法选择都更有价值。所以，理解这三大范式，不仅仅是记住一张表格。它是在理解机器如何“学习”的同时，反过来。），你通过反复练习，学会从题目推导答案的。），自我完善，实现“举一反三”。
【模式识别与机器学习（14）】惰性学习kNN（聚类分析）【3】K-means算法中K值确定的五种方式
hiliang521的博客
12-02 702
【模式识别与机器学习（14）】K-means算法中K值确定教程
【机器学习】27 异常检测（密度估计）
weixin_54010404的博客
12-03 817
本文介绍了异常检测的基本概念和方法。主要内容包括：1) 异常检测基于密度估计，通过构建概率模型识别异常值；2) 使用高斯分布建模特征概率，介绍最大似然估计方法计算参数；3) 多特征异常检测算法及其实现流程；4) 评估方法，建议划分训练集、验证集和测试集；5) 比较异常检测与监督学习的适用场景；6) 特征选择策略，强调特征分布分析和错误分析的重要性。文章指出异常检测适用于异常类型未知或样本稀少的情况，而监督学习更适合已知异常类型且有充足标注数据的场景。
贝叶斯学习
weixin_61562383的博客
12-03 1015
贝叶斯学习的核心不是直接判断“它是A还是B”，而是计算“它是A的概率是多少，它是B的概率是多少”，然后选概率大的那个。Pci​∣x∝Px∣ci​Pci​Pci​xci​Px∣ci​ci​xPci​∣xxci​结论： 贝叶斯分类器的训练过程，本质上就是在统计数据，估计先验概率和似然概率。
基于单细胞转录组与机器学习的肾癌ICD特征分析及预后模型构建
本文《单细胞转录组与机器学习结合揭示肾癌免疫原性细胞死亡特征及预后模型构建》系统性地整合了前沿的生物信息学技术与人工智能算法，聚焦于肾透明细胞癌（KIRC）中免疫原性细胞死亡（Immunogenic Cell Death, ICD...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值