9.9-9.28论文阅读任务

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