导读:本文包含了蛋白质相互关系论文开题报告文献综述及选题提纲参考文献，主要关键词:深度学习,化合物,蛋白质,化合物与蛋白质相互作用
蛋白质相互关系论文文献综述
李成强[1]（2019）在《基于深度学习的化合物与蛋白质相互作用关系的研究》一文中研究指出化合物与蛋白质相互作用的研究,能够产生对药物设计和研发有重要提示性作用的化合物-蛋白质组合。传统的药物研发通常基于实验验证,可能会遗漏重要的候选组合,并且研发周期长、费用高、成功率低。目前,临床和动物细胞实验积累了大量化合物与蛋白质相互作用的数据,这些基础数据为发现新的组合模式提供了可能。近年来,基于深度学习的方法在很多领域都取得了突破性进展,该方法受生物神经系统信息处理的启发,能够从大量训练数据中自动分层提取特征,因此,使用该方法训练百万级别的数据集,可探索和发现新的化合物与蛋白质相互作用模式,并据此预测与特定化合物相互作用的蛋白质,从而为药物设计和研发的实验验证提供小范围、相对可靠的假设。本文的主要工作是使用TensorFlow框架构建并训练用于预测化合物和蛋白质相互作用的深度学习模型。本文的数据来源于BindingDB数据库。在本文中,将BindingDB中提取的化合物-蛋白质组合数据作为正样本,标签为1;将化合物与蛋白质序列随机组合并去除正样本后的数据作为负样本,标签为0。将正负样本混合后按照98:1:1的比例划分训练集、验证集及测试集。本文构建的深度学习模型是由循环神经网络和深度前馈神经网络组成的复合网络。本网络模型包含以下部分:第一部分是叁个动态RNN特征提取网络,分别用来提取化合物中原子块、化学键块数据和蛋白质氨基酸序列数据中的特征,然后将叁个特征提取网络的输出结果拼接为一个特征向量后作为第二部分网络的输入。第二部分是一个五个隐层的全连接神经网络,用于学习化合物与蛋白质之间的相互作用关系。最后一层是输出层,有2个节点,以one-hot形式表示标签。这样就将化合物与蛋白质相互作用关系的研究转化成为一个二分类问题的研究。本文从分析原始数据、确定方案、编写调试代码到训练出最终模型,整个研究过程尝试过近百种解决方案,历时两年时间。最终版模型在测试集上得到的准确率为97.32%,F1-Score值为97.39%,AUC值为99.58%。根据结果可以看出,本文使用深度学习对化合物与蛋白质相互作用的研究结果对于探索和发现新的化合物-蛋白质组合有着重要的启示作用。(本文来源于《兰州大学》期刊2019-05-01）
崔静[2]（2019）在《基于核心素养的复习课概念整合教学设计——以“核酸和蛋白质在细胞内的功能分工和相互关系”专题复习为例》一文中研究指出以"核酸和蛋白质在细胞内的功能分工和相互关系"专题复习为例,深入挖掘教学内容,基于生物学学科素养,探讨复习课如何进行概念整合。(本文来源于《中学生物学》期刊2019年04期）
胡桓[3]（2018）在《基于集成策略预测人类长非编码RNA与蛋白质相互作用关系》一文中研究指出非编码RNA曾经被认为是无用的。20世纪90年代以来,越来越多新的非编码RNA被发现,科学家们逐渐意识到非编码RNA具有重要的生物学功能。研究非编码RNA与蛋白质相互作用对于理解许多重要的细胞过程至关重要。特别地,长非编码RNA与蛋白质相互作用在转录后基因调节中起重要作用,如RNA剪接、翻译、信号传导甚至复杂疾病的发生发展。通过生物学实验方法研究长非编码RNA与蛋白质相互作用需要耗费大量的资源。近些年来,越来越多的研究将统计学习、机器学习等智能算法应用于生物大数据分析相关的前沿交叉学科,加之非编码RNA相关生物信息数据的积累,使得应用计算模型预测非编码RNA与蛋白质相互作用关系成为新的研究方向。虽然当前有一些模型可以用于非编码RNA与蛋白质相互作用关系预测,但是它们并不能准确刻画人类长非编码RNA与蛋白质相互作用关系。在本研究中,我们提出了一种名为HLPI-Ensemble的模型,该模型专为预测人类长非编码RNA与蛋白质相互作用关系而优化设计。HLPI-Ensemble模型包含HLPI-SVM Ensemble、HLPI-RF Ensemble以及HLPI-XGB Ensemble叁个Ensemble模型。它们分别由SVM、RF以及XGB叁种机器学习算法生成的9个子模型应用集成策略整合构成。每种机器学习算法对应的9个子模型则通过9种长非编码RNA与蛋白质特征组合训练而成。平均集成策略和线性集成策略被引入用于对SVM、RF和XGB的9个子模型进行整合并生成相应的Ensemble模型(HLPI-SVM Ensemble、HLPI-RF Ensemble和HLPI-XGB Ensemble)。10折交叉验证的结果表明,在测试集上HLPISVM Ensemble、HLPI-RF Ensemble以及HLPI-XGB Ensemble分别取得的AUC为0.95、0.96以及0.96。为了更加严格的测试HLPI-Ensemble模型的性能,我们引入了独立测试集并将HLPI-Ensemble与其它预测模型进行了比较。结果进一步表明,HLPI-Ensemble模型在预测人类lncRNA-蛋白质相互作用方面具有良好的表现。HLPI-Ensemble公开发布于:http://ccsipb.lnu.edu.cn/hlpiensemble/。我们还计划在下一步的研究工作中开展人类长非编码RNA与蛋白质相互位点及其功能方面的研究,为长非编码RNA相关研究提供理论指导。(本文来源于《辽宁大学》期刊2018-05-01）
蔺光岭[4]（2017）在《基于SVM和蛋白功能注释的蛋白质相互作用关系预测方法研究》一文中研究指出两个或更多个以上的蛋白分子复合物通过理化方式逐渐形成蛋白复合体(protein complex)的过程就是PPI互作关系(protein-protein interaction,PPI)的过程。本文研究发现,目前PPI数据中包含的蛋白质个数太少不能满足生命科学实际应用的需求,如常见的DIP等PPI互作数据库中只包含人类的9000多个PPI互作关系,而常用的基因表达数据个数在1~2万左右。例如常用的差异表达分析,发现很多差异表达基因并不包含在已知的PPI当中,因此大量蛋白质间的互作关系有待预测。现有的PPI数据主要是通过实验的手段获得,包括串联亲和纯化和酵母双杂交等技术,这些实验虽然可以获得较高的精度但是耗时太长,大大降低实验成本缩短耗时可用计算生物学的手段辅助预测PPI互作关系。总体说来基于机器学习的算法预测蛋白间互作关系效果比较不错,但是也有其自身的约束,主要体现在:第一、预测PPI互作关系应用的机器学习算法带有监督作用,训练测试PPI互作关系数据集是该算法不和缺少的,然而已知的和未知的PPI关系都比较少,尤其是确定不存在互作关系的蛋白质更是较少;第二、向量特征表示方法单一,或者是基于PPI氨酸序列的方法或者是基于基因共表达的方法等,没有考虑与PPI自身相关的其他生物学信息;第叁、计算量比较大。针对以上问题,本文提出的解决方案:(1)针对SVM特征向量的表示的问题本文处理使用氨基酸AC值,还将GO,KEGG等蛋白功能注释数据引入特征向量的构建中,从而构建新的特征向量。(2)把基于实验得到的存在相互作用关系的PPI作为算法的正训练数据集,并通过网络搜索找到当前实验或者计算手段得到的不存在相互作用关系的PPI作为算法的负训练数据集,用正反两方面的PPI数据集训练测试SVM来预测PPI互作关系。(3)设计并实现基于计算手段辅助预测PPI的算法——PPI_SPFA算法,针对计算量大的问题本文提出使用两步计算的策略,即对那些存在相互作用关系可能性很小的PPI进行过滤,然后再进行预测的手段。PPI_SPFA算法与PPI_AC和i PPI-Esml等其他算法相比,其预测PPI相互作用关系的精度有了提高。(4)除了现有的DIP等PPI互作数据库中已包含的PPI互作关系外,SVM对剩余的所有PPI互作关系进行预测,最终构造出一个比较全的PPI互作关系网络。今后研究重点便是结合SVM和蛋白功能注释GO、KEGG等对PPI预测算法进行探究和创新,改善PPI预测算法的准确度和响应速度等。(本文来源于《吉林大学》期刊2017-06-01）
包振栋[5]（2017）在《基于生物医学文本挖掘的蛋白质间相互作用关系抽取方法的研究》一文中研究指出近年来,在生物医学领域随着其文献数量的快速增长,利用数据挖掘技术从生物医学文献中获取所需的生物医学知识已经成为生物信息学领域的研究热点。蛋白质发挥其生物功能最基础和重要的一种方式就是通过蛋白质间相互作用(Protein-Protein Interaction,PPI),而大量的蛋白质相互作用信息都以非结构化数据的形式记录在生物医学文献中,人工检阅的方式查找文献中的PPI信息十分耗时费力,因此,利用文本挖掘技术对生物医学文献中的蛋白质相互作用关系进行挖掘和分析,从而准确的提取PPI关系具有十分重要的意义。现有的PPI关系抽取的研究中将从生物医学文献中抽取PPI关系视为一个二值分类问题,PPI抽取任务中多采用基于统计和机器学习的算法,通过对生物文本进行特征提取形成特征向量,从而构建分类模型,取得了较好的抽取效果。但是现有研究中所采用的机器学习方法通常是监督学习方法,需要大量已标注的PPI关系数据来构建分类模型,而在生物医学领域,利用人工标注PPI关系语料需要花费大量的人力和时间成本。为了降低构建分类模型对标注数据的要求,本文从以下两个方面进行研究:1、基于远程监督和迁移学习提取蛋白质相互作用关系将待分类的PPI关系数据集视为目标领域数据集,为降低目标领域PPI关系抽取中对标注数据的需求,本研究使用迁移学习,通过对不同分布的源领域PPI关系数据集进行知识迁移,来构建关系抽取模型,从而对目标领域待分类PPI样本进行分类。本研究基于远程监督思想构建人工标注语料作为源领域PPI数据集,首先从IntAct蛋白质相互作用数据库中下载PPI数据作为关系知识库,并从PubMed数据库中爬取生物医学文献摘要作为原始语料集,根据知识库中的PPI对在原始语料集中进行映射,通过启发式的匹配来获取包含有该PPI的语句,将原始语料集中存在映射的PPI作为正例样本,否则作为负例样本,以此得到人工标注的PPI数据集。使用基于实例的迁移学习方法TrAdaboost在构建的源领域PPI数据集和部分目标PPI数据集上构建分类模型,对目标领域的PPI样本进行分类。在3个标准数据集上的实验结果表明,本研究利用远程监督构建的人工数据集能够很好的辅助算法建立分类模型,在目标领域标注样本较少的情况下,通过迁移人工数据集的知识对目标领域PPI关系进行抽取具有较好的性能。2、PU(Positive Unlabeled)场景下基于迁移学习和远程监督提取蛋白质相互作用在实际应用中,数据经常是未标注的或少量标注的,如本研究中涉及到的PPI数据集。由于实验条件的制约,现有的很多PPI关系并不能确定其是否有相互作用,因此可以将这部分数据视为未标注数据集,仅有少量的PPI关系经实验验证后确实存在相互作用,这部分数据可以视为正例样本。在这种情况下,传统的有监督算法就无法构建高效的分类模型来对生物文献中的PPI关系进行识别。在远程监督的基础上,本研究从迁移学习和PU学习两个角度展开研究,提出了在PU场景下基于迁移学习和远程监督的蛋白质相互作用关系抽取方法——TPAODE算法。该方法收集目标PPI数据集的特征信息,利用数据引力方法对源PPI数据集样本赋予权重进行知识迁移,基于贝叶斯理论在加权的源PPI数据集上估算概率参数,利用静态分类器集成技术构建基于权重的PU学习算法。实验结果表明,本研究提出的TPAODE算法对目标领域PPI数据集不需要类别标注,仅在源领域PPI数据集上标注部分有相互作用关系的样本,基于源领域PPI数据集和目标领域PPI数据集构建分类模型,具有比传统PU方法相当或更好的性能。为了进一步降低模型对标注数据的要求,本研究将前文利用远程监督构建的人工PPI数据集作为源领域数据集,基于仅有少量正例样本的源数据集和目标数据集学习模型,对目标领域的PPI样本进行分类,结果表明,本研究提出的TPAODE算法利用远程监督数据集依然比现有的PU学习方法PNB和PTAN具有更优异的分类性能。(本文来源于《西北农林科技大学》期刊2017-05-01）
施炎[6]（2017）在《构建人类长非编码RNA与蛋白质的相互作用及与变异和疾病的关系数据库》一文中研究指出长非编码RNA(long noncoding RNA,lncRNA)为长度大于200个核苷酸且不具有编码性的RNA,它们并不是基因转录过程中产生的"垃圾",反而是具有重要调控功能的转录本。已有的研究证实lncRNA在胚胎发育、剂量补偿、细胞分化、信号传导、凋亡、基因印迹以及免疫应答等各种生理或病理过程中都发挥着重要的调控作用。同时lncRNA还与多种人类癌症的发生、发展及转移紧密关联,并且其中的一些已被鉴定为相应癌症的生物学标志物或药物治疗的靶点。lncRNA通常需要和特定的蛋白质发生相互作用来发挥相应的功能,所以lncRNA与蛋白质之间的相互作用对于注释lncRNA功能至关重要。为此,我们利用人类基因组已注释的lncRNA和蛋白质,在全基因组范围内根据lncRNA的二级结构和蛋白质的功能域信息,预测和鉴定lncRNA与蛋白质之间的相互作用。接着,我们对这些相互作用进行了系统地分析和过滤,并构建了一个用户友好的人类lncRNA与蛋白质的相互作用及与变异和疾病的关系数据库HLPID(http://www.megabionet.org/HLPID/)来存储和展示这些相互作用信息。在HLPID中,用户不仅可以快速查询他们所关注的lncRNA或蛋白,获取lncRNA和蛋白质之间的相互作用信息。还可以从数据库中获取关于lncRNA与疾病的关联、lncRNA的表达、变异以及在不同癌症中的生存分析结果等详细信息。本课题不仅对认识lncRNA和蛋白质的调控关系有重要的促进作用,而且可以为lncRNA的功能研究提供重要的数据支撑,为后续研究奠定良好的基础。(本文来源于《华东师范大学》期刊2017-05-01）
申利贤[7]（2017）在《黄酮类化合物及衍生物与蛋白质的相互作用及结构—亲和力关系研究》一文中研究指出目的:研究23种黄酮类化合物及4种染料木素衍生物与蛋白质在模拟生理条件下(p H=7.40)的相互作用机制及结构-亲和力关系。方法:采用荧光猝灭光谱测定化合物与蛋白质结合后蛋白质的荧光强度变化;紫外-可见吸收光谱法、同步荧光、叁维荧光光谱、圆二色光谱研究化合物与蛋白质结合后对蛋白质二级结构的变化;分子对接技术分析化合物与蛋白质的结合模式及亲和力情况。结果:1.23黄酮类化合物与人血清白蛋白、溶菌酶、透明质酸酶相互作用机制及结构-亲和力关系23种黄酮类化合物对人血清白蛋白、溶菌酶、透明质酸酶叁种蛋白质荧光的猝灭机制均是静态猝灭,热力学参数焓变(ΔH)和熵变(ΔS)<0,生成自由能变(ΔG)<0,表明23种黄酮类化合物与叁种蛋白质的结合以氢键和范德华力为主要作用力,且是一个自发过程。黄酮类化合物与叁种蛋白的结合能力与结构密切相关,其羟基甲基化使化合物与叁种蛋白的结合能力增强1-2倍,A环6位的羟基化对化合物与叁种蛋白的结合能力影响不大,B环上3’和4’位的羟基化使化合物与叁种蛋白的结合能力增强,黄酮醇中A环5位与B环3’位的羟基化均使化合物与叁种蛋白的结合能力增强,而B环5’位的羟基化无影响,异黄酮中A环5位的羟基化可使化合物与叁种蛋白的结合能力降低;化合物的糖基化对其与叁种蛋白质结合能力的减弱的程度与糖基数目的多少和糖基的种类相关,C环C2=C3间双键被氢化后会使其与叁种蛋白质的结合能力降低。2.4种染料木素衍生物与牛血清白蛋白(BSA)相互作用机制及结构-亲和力关系4种染料木素衍生物对BSA内源性荧光的猝灭是因形成了复合物,静态猝灭和非辐射能量转移是导致猝灭的原因;热力学参数焓变(ΔH)和熵变(ΔS)<0,生成自由能变(ΔG)<0,表明4种染料木素衍生物与BSA结合以氢键和范德华力为主要作用力,是一个自发过程;竞争位点实验结果表明4种染料木素衍生物与BSA结合的位点是位于BSA的子域Ⅱ位点Ⅰ;同步荧光、紫外-可见光、叁维荧光、圆二色光谱的结果表明4种染料木素衍生物BSA的构象发生变化;分子对接结果表明4种染料木素衍生物分子都被包裹在BSA的疏水腔中形成了新的复合物,氢键和疏水作用对染料木素衍生物与BSA的结合起重要作用。4种染料木素衍生物与BSA的结合能力关系按大到小的顺序为:GEN1>GEN>GEN4>GEN3>GEN2,A环的羟基化能明显增强化合物与BSA的结合能力,叁氟甲基化对结合能力影响不大,酯化和二氟甲基能轻微增强结合能力。结论:1、23种黄酮类化合物与叁种蛋白质(人血清白蛋白、溶菌酶、透明质酸酶)的结合因形成了新的复合物对叁种蛋白内源性荧光有较强的荧光猝灭作用,该过程为静态猝灭,是一个自发进行的过程,相互作用力以氢键和范德华力为主;黄酮化合物与叁种蛋白的结合能力强弱与黄酮母核上的取代基位置、种类、数目密切相关。2、4种染料木素衍生物与BSA的结合因形成了新的复合物对BSA内源性荧光有较强的猝灭作用,该过程为静态猝灭,是一个自发进行的过程,相互作用力以氢键和范德华力为主。A环的羟基化能明显增强化合物与BSA的亲和力,叁氟甲基化对亲和力影响不大,酯化和二氟甲基能轻微增强亲和力。(本文来源于《南华大学》期刊2017-05-01）
程涛[8]（2015）在《基于机器学习的蛋白质相互作用预测结果与样本重复性关系的研究》一文中研究指出蛋白质-蛋白质相互作用在很多生物进程中扮演着重要角色,是所有生物体保持正常生理功能的基础。虽然生物实验方法积累了大量的蛋白质相互作用数据,但是实验结果通常存在不同程度的假阳性和假阴性。近年来以机器学习为代表的计算方法在蛋白质相互作用预测方面得到了广泛应用,许多研究人员利用机器学习和蛋白质序列特征编码方法对其进行预测,都取得了较高的预测准确率。事实上,经过实验发现多数方法的预测准确率都被高估,且预测结果会受到数据集的影响。本文使用多种机器学习算法,结合自动协方差序列编码方法对人类的蛋白质相互作用进行预测,研究数据集中蛋白质的重复性对预测结果的影响。首先利用图论中的稠密子图和稀疏子图的挖掘原理以及简单图的最大匹配算法构造多个具有不同的蛋白质重复性的正数据集,利用图的邻接矩阵相关运算对每个正数据集构造一系列具有不同蛋白质重复性的负数据集,将每一个正数据集和其相应的负数据集组合成实验数据集。然后利用自动协方差序列编码方法对实验数据集进行编码,用C4.5、随机森林、朴素贝叶斯、K-近邻四种机器学习算法对编码后的数据进行训练和预测。最后对预测结果进行分析。实验结果显示,不同的实验数据集具有不同的预测准确率,随着实验数据集中蛋白质样本的重复性由高到低的变化,预测准确率也呈现相应的变化趋势。由此,得出结论:利用机器学习预测蛋白质相互作用,预测结果会受到样本的重复性(蛋白质的重复性)的影响,样本的重复性越高,机器学习预测的准确率会越高;利用机器学习预测类似于蛋白质相互作用这类具有样本重复性的问题时要考虑样本重复性对预测结果的影响。(本文来源于《华南理工大学》期刊2015-05-08）
刘念[9]（2014）在《基于树核的蛋白质相互作用关系提取研究》一文中研究指出近年来,生物医学技术发展突飞猛进,相关的科研成果和学术报告更是层出不穷。虽然互联网时代的到来使得大家能够方便地从网络上找到这些信息,但大部分的信息仍然被淹没在海量的生物医学文献中。如果仅靠研究人员手动阅读这些文献是很难及时有效地获取有用信息的,于是便出现了生物文本挖掘技术。在生物文本挖掘领域中,最受关注的还是蛋白质相互作用关系的提取。原因是蛋白质是一切生命活动不可或缺的物质基础,了解其相互作用关系有助于系统地理解生命活动的分子机制,并且对疾病的治疗和新药的研制有积极的推动作用。早期的蛋白质相互作用关系提取研究中应用较多的是基于规则的方法,这类方法不仅耗时长且系统效果过度依赖规则的质量,可移植性差。目前应用较为广泛的是机器学习方法,其又分为特征向量方法和核方法,特征向量方法避免不了复杂的特征向量的构造和映射过程,因此基于核函数的方法是目前主流的方法。然而现在已有的核函数大部分都基于依存信息,很少有研究采用基于成分句法树的核方法来提取蛋白质相互作用关系。事实上,成分句法树本身具有丰富的语法和结构化特征,对蛋白质相互作用关系提取有重要意义。最短依存路径指导的成分分析树算法是其中少有的基于树核的算法。最短依存路径指导的成分分析树算法是用句子中两个蛋白质间的最短依存路径去指导成分句法树的裁剪,但这样生成的句法树仍然不够简洁。原因是最短依存路径上存在同位语依存关系带来的噪音干扰,这种噪音信息不仅增加了句法树表示的复杂性,而且会妨碍分类器的识别和判断。为了解决这个问题,本文提出了有效优化路径指导的成分分析树算法,通过定义相关的处理规则去掉同位语成分,消除对蛋白质相互作用关系提取毫无帮助的噪音信息,最后用优化后的路径来裁剪成分分析树。实验结果表明改进的有效优化路径指导的成分分析树算法对提高蛋白质相互作用关系提取性能是有效的。通过对最短依存路径指导的成分分析树算法在五个常用语料库上的错误分类结果的分析,发现情态动词短语后面表示相互作用的动词容易被最短依存路径遗漏,导致生成的句法树结构不能完整表达蛋白质关系实例。为了解决这个问题,本文在有效优化路径指导的成分分析树算法的基础上又提出了有效优化和扩展路径指导的成分分析树算法,定义相关的处理规则将遗漏的表达蛋白质相互作用关系的动词添加到最短依存路径中,并结合有效优化路径指导的成分分析树算法对同位语依存关系的处理,保证了由有效优化和扩展路径指导生成的成分句法树结构的完整性和简洁性。实验结果表明有效优化和扩展路径指导的成分句法树算法进一步提高了蛋白质相互作用关系提取性能。(本文来源于《华中师范大学》期刊2014-05-01）
刘念,马长林,张勇,王梦[10]（2013）在《基于树核的蛋白质相互作用关系提取的研究》一文中研究指出蛋白质相互作用关系对理解生物过程具有非常重要的意义,为了解决同位语依存关系带来的噪音干扰,提出了一个改进的基于树核的PPI提取方法,通过定义一些相关的处理规则来有效优化两个蛋白质之间的最短依存路径,在此基础上,用有效优化路径来指导成分句法树的裁剪,使得用于PPI提取的成分树更加精确和简洁.实验结果表明:用有效优化路径指导的成分句法树在五个常用的语料库上都取得了较好的效果.(本文来源于《华中科技大学学报(自然科学版)》期刊2013年S2期）
蛋白质相互关系论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
以"核酸和蛋白质在细胞内的功能分工和相互关系"专题复习为例,深入挖掘教学内容,基于生物学学科素养,探讨复习课如何进行概念整合。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
蛋白质相互关系论文参考文献
[1].李成强.基于深度学习的化合物与蛋白质相互作用关系的研究[D].兰州大学.2019
[2].崔静.基于核心素养的复习课概念整合教学设计——以“核酸和蛋白质在细胞内的功能分工和相互关系”专题复习为例[J].中学生物学.2019
[3].胡桓.基于集成策略预测人类长非编码RNA与蛋白质相互作用关系[D].辽宁大学.2018
[4].蔺光岭.基于SVM和蛋白功能注释的蛋白质相互作用关系预测方法研究[D].吉林大学.2017
[5].包振栋.基于生物医学文本挖掘的蛋白质间相互作用关系抽取方法的研究[D].西北农林科技大学.2017
[6].施炎.构建人类长非编码RNA与蛋白质的相互作用及与变异和疾病的关系数据库[D].华东师范大学.2017
[7].申利贤.黄酮类化合物及衍生物与蛋白质的相互作用及结构—亲和力关系研究[D].南华大学.2017
[8].程涛.基于机器学习的蛋白质相互作用预测结果与样本重复性关系的研究[D].华南理工大学.2015
[9].刘念.基于树核的蛋白质相互作用关系提取研究[D].华中师范大学.2014
[10].刘念,马长林,张勇,王梦.基于树核的蛋白质相互作用关系提取的研究[J].华中科技大学学报(自然科学版).2013
标签：深度学习; 化合物; 蛋白质; 化合物与蛋白质相互作用;