![](/__local/8/5E/0C/99D76F7D151372B83D3C239FC75_C4EFD339_1F09.png)
学位论文简介
当前,新药研发面临时间周期长、资金投入大等问题。如何利用深度学习技术缩短开发周期、节省开发成本进而助力药物研发已经成为专家学者关心的核心挑战。本文从药物研发过程中发现潜在成药靶标和苗头化合物为切入点,探索微生物与疾病、微小RNA与疾病关联预测和药物与蛋白质相互作用预测的深度学习方法。其中,发现与复杂疾病相关微生物和微小RNA可助力研究人员确定潜在成药靶点;分析药物与蛋白质相互作用对于快速识别苗头化合物大有裨益。二者协同作用,对于药物研发、疾病预防、开发全新诊疗手段等方面都具有极高的实用价值。然而,由于数据相对缺乏以及多源数据特征提取的复杂性,该研究仍然面临多重关键挑战。
本文的主要工作和创新点概括如下:
(1) 针对微生物-疾病关联预测模型泛化能力不足问题,提出一种整合信息解耦和融合策略以及图自动编码器的模型。降低噪声影响的同时提升模型特征提取表达能力。
(2) 针对miRNA和疾病节点邻域稀疏问题,提出一种全新MTCL-MDA模型。MTCL-MDA模型引入图协同过滤,集成多类型对比学习策略,以预测潜在微小RNA-疾病关联。
(3) 针对信息传播易过拟合且忽视潜在微小RNA-疾病关联关系问题,提出一种基于子图估计与能量约束扩散的名为MSLG-MDA模型,旨在从局部与全局的角度高效预测未知微小RNA-疾病关联。
(4) 针对药物和蛋白质节点表示学习泛化性有限且未考虑未证实药物-蛋白质相互作用问题,提出一种集成预训练模型和能量扩散机制的Transformer架构的全新计算方法。
主要学术成果
[1] Qingquan Liao, Xiangzheng Fu, Linlin Zhuo, Hao Chen. An efficient model for predicting human diseases through miRNA based on multiple-types of contrastive learning. Frontiers in Microbiology ,2023.(中科院二区)
[2] Qingquan Liao, Yuxiang Ye, Zihang Li, Hao Chen, Linlin Zhuo. Prediction of miRNA-disease associations in microbes based on graph convolutional networks and autoencoders. Frontiers in Microbiology ,2023(中科院二区)
[3] Zhecheng Zhou, Qingquan liao, Jinhang Wei, Linlin Zhuo, Xiaonan Wu,Xiangzheng Fu,Quan Zou. Revisiting Drug-Protein Interaction Prediction: A Novel Global-Local Perspective. Bioinformatics, 2024(CCF B类期刊)
[4] Zhen Li, Qingquan Liao, Wenbin Liu. Multi-source Data Integration for Explainable miRNA-Driven Drug Discovery, Future Generation Computer Systems, 2024(CCF C类期刊,Major Revision)