标签：9.28 专业名词 论文 学习 神经网络 搜索 9.9 配体 参数

2-基于神经网络端到端学习的化合物-蛋白质相互作用预测-专业名词学习

• 图神经网络GNN /
• 卷积神经网络CNN /
• 神经网络的训练细节 / 优化(optimization）、窗口大小(windows size)、半径r、GNN的时间步长数(number of time steps)、CNN的层数(numbers of layers)、正则化参数λ(regularization λ)
• 以SMILES为输入 / smiles是使用RDKit转化成图形表示的
• 反向传播算法 /
• 端到端表示学习 /
• 黑盒模型 /
• 神经注意机制 /
• 阴性样本、阳性样本 /
• 五重交叉验证 / 
• 网格搜索 / 网格搜索是一种对超参数调试的方法之一(还有手工搜索、随机搜索、贝叶斯搜索)，超参数是建立模型是用于控制算法行为的参数，不能从常规训练里获得，需要对其赋值或初始化。如果超参数空间非常大，则使用随机搜索找到超参数的潜在组合，然后再潜在组合里使用网格搜索选择最有特征。
• 分类器 / 
• 学习曲线 / 判断学习算法是否合理，将训练集误差和交叉验证集误差作为数据绘制的图像
• 平衡or不平衡数据集 / 

  3-利用CNN预测药物-靶点的相互作用-专业名词学习

• 蛋白质口袋 / 
• 靶标-配体匹配 / 
• 3dcnn配体评分 / 
• Autodock Vina /
• RF-Score /
• Score /
• 无监督的 / 
• RMSProp优化函数 / 
• 深度学习架构Theano /
• 配体至靶标滥交的指标判断 / 使用层次聚类方法(在测试矩阵的行和列上执行发现靶标和配体的分组)
• 分层显著性图 / 
• 反向传播算法 /

4-利用EVcoupling python框架进行协同进化序列分析-专业名词学习 

• evolutionary couplings(进化耦合) / 
• tertiary contacts(三级接触) / 

• 蛋白质和RNA三维结构的从头预测 /

标签：9.28,专业名词,论文,学习,神经网络,搜索,9.9,配体,参数
来源： https://blog.csdn.net/SHENGKUNya/article/details/120398738

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。