关键词： 大豆基因组缺失   K近邻填补算法   软填补算法   随机森林填补算法   全基因组关联分析  

摘要： 基因芯片技术是一种能够对大量基因进行快速测量的分子生物学手段,可以在不同条件下同时获得成千上万个基因的表达水平,具有高通量的特点,又称为DNA微阵列技术。其主要过程是在一块带有DNA微阵列涂层的特殊玻璃片上安装数千或数万个核酸探针进行检测分析,由于同时将大量探针固定在基片表面上,因此可以一次性获得样品的大量基因序列,并对其进行检测和分析,在生物学和医学研究等方面具有多种不同的应用价值,为探索生命科学提供了强有力的工具。然而基因芯片实验中由于种种因素,容易受到机械原因和人为原因的限制而导致数据缺失,从而影响实验结果的分析。数据的缺失最终会影响研究结果的准确性,为了解决这一问题,需要采取合适的方法对缺失数据进行恰当的处理。目前通用的处理方式有重复测序与缺失填补两类。然而在实际分析中,重复测序由于存在操作过程复杂、实验费用高昂、耗时长、准确率和可靠性低等问题,导致该方法并不可取,同时由于缺失填补能够快速处理数据缺失,且具有操作过程简单、费用较低、准确性和可靠性高等优点,逐渐成为数据填补的主要解决方法。通过查阅大量的相关文献,发现虽然目前主流的缺失填补方法很多,但并未有一种较为恰当的方法适用于大豆基因组数据,因此本文以大豆株高与叶面积两组性状的基因组基因型数据为研究对象,进行5%、10%、20%不同缺失比例的人为数据缺失处理,分别运用机器学习中的K近邻填补(KNNimpute)算法、软填补(Soft Impute)算法和随机森林(Random Forest)填补算法对大豆基因组缺失数据进行填补,分析大豆基因型数据填补后的准确性和可靠性。为了验证算法填补的准确性和可靠性,利用sim Frame2.0工具随机缺失大豆的全基因组测序数据,采用三种机器学习算法填补缺失的基因型数据,通过均方根误差(Root Mean Squared Error,RMSE)评判机器学习算法的填补效果,并记录算法的运行时间与运行内存。引入GLM一般线性模型和MLM混合线性模型,运用遗传统计学工具GAPIT进行全基因组关联分析(genome-wide association study,GWAS),对比填充后的大豆基因组数据与对应的表型性状之间的差异,根据模型计算结果得出分析图表,判断填充前后影响大豆性状的关键因素是否一致,最后依据均方根误差与GWAS结果验证三种机器学习算法填补的准确性与可靠性,分别对比填补后的数据和原始数据的分析效果。说明不同机器学习方法在不同缺失程度的填补需求下的适用性。最后结合以上研究结果,以HBuilder为平台,使用HTML5和Python语言,根据系统的需求以及可行性进行分析,基于My SQL数据库设计出基于多种机器学习方法的大豆基因组数据填补系统,为在不同精准性和性能的情况下如何对大豆基因组数据进行填补提供精准的参考与指导。

关键词： 高频数据   已实现波动率   外部变量   EEMD分解   XGBoost模型  

摘要： 股票市场作为一国经济的“晴雨表”,可以实现资源的合理化配置和充分利用,投资者可以在股票市场中获得可观的收益。然而,风险与收益并存,如何实现股票市场风险的良好管理,是一个不容忽视的问题。除此之外,股票市场受多种因素的影响,外部变量对股市波动的影响同样不容忽视。迄今为止,异质自回归(HAR)模型是基于高频数据的波动率建模研究中最经典的模型之一,许多学者基于该模型提出了很多改进,如简单地将它分解为连续的路径变化和不连续的跳跃路径变化进行研究。然而,已实现波动率是一个非常复杂的非线性时间序列,这种简单的分解很难理解其变化规律,这不利于我们对其进行分析和建模。而集合经验模态分解方法(EEMD)不仅可以从序列中自适应地选择波动特征,而且对于非线性时间序列分解具有鲁棒性。此外,HAR模型本质上是一个线性模型,它使用线性模型对已实现波动率进行建模,忽略了其非线性特质,而XGBoost这种机器学习方法具有优秀的非线性拟合能力,且因其优良的学习效果等优点获得广泛的关注。基于上述背景,本文详细阐述了研究背景、研究意义和相关的研究现状和理论基础之后,对于已实现波动率的短期、中期和长期预测问题分别提出了基于EEMD-XGBoost预测模型。在实证研究中,首先对2015年1月5日至2020年12月25日上证指数的已实现波动率序列进行EEMD分解,并根据零均值显著性检验结果对分解序列进行重构,然后针对已实现波动率的短期、中期和长期预测问题,将不同的重构序列与已实现波动率的原始序列作为输入变量,分别拟合XGBoost模型,并与EEMD-HAR模型对比预测效果。此外,还将经济政策不确定性指数(EPU)和恐慌指数(VIX)作为外部变量研究了其对已实现波动率的影响,主要结论如下:(1)将序列进行EEMD分解,并以零均值显著性检验重构得到的序列中,低频序列有明显的趋势性,这与其原始序列的走势大致相同,这表明低频序列应该包含更多的预测信息;趋势项则体现的是已实现波动率的整体走向,这证明了EEMD分解方法的有效性。(2)将经过EEMD分解重构的序列与已实现波动率的原始序列作为输入变量拟合XGBoost预测模型,并将其预测效果与EEMD-HAR模型对比后发现,对于每日、每周和每月已实现波动率的预测效果,EEMD-XGBoost模型均显著优于EEMD-HAR模型。(3)关于外部变量对已实现波动率的影响,结果表明经济政策不确定性指数(EPU)和恐慌指数(VIX)对于每日和每周已实现波动率的预测效果提升不明显,而对于每月已实现波动率的预测效果有明显的改善,这表明EPU指数和VIX指数对已实现波动率更倾向于长期的影响。

关键词： FMCW   行为识别   高斯混合聚类   多帧融合平均   残差网络  

摘要： 人体行为识别技术在智能监护和生物医学研究等领域极具应用前景,该技术利用特定设备或手段,对人体的活动状态进行判定。基于雷达的人体感知技术因其具有隐私保护性好、距离分辨率及测量精度高且不惧遮挡等技术优势成为当前人体行为识别的主流技术之一。本文对基于调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达的人体行为感知技术进行研究,设计了一个实现室内人体定位及双人场景下的行为识别的感知系统,具体研究工作概述如下:(1)研究了基于FMCW雷达的室内人体感知的实现方案。首先分析了FMCW雷达的距离、速度和角度的检测原理,并结合室内应用环境的特点,研究了多径干扰的消除方法,给出了使用背景消除算法去除静态干扰,以及采用2维恒虚警率(Constant False-Alarm Rate,CFAR)检测算法滤除动态多径干扰信号的实现方案。最后,结合德州仪器公司的IWR1443毫米波雷达开发板搭建了一个室内人体感知系统,对上述多径干扰消除算法进行验证,并分析了CFAR中各种参数设置对人体定位精度的影响,实测结果表明该方法能够实现室内人体定位,并有效地消除室内多径干扰对人体活动检测精度的影响。(2)研究室内人体感知系统中雷达点云数据的处理方法。为了实现双人点云的区分,针对传统的高斯混合模型存在的对随机选取的初始聚类中心敏感导致聚类结果不稳定的问题,提出一种基于对数似然函数的优化算法对传统模型进行改进,改进后的高斯混合模型在保证实时性的同时提升了聚类的稳定性,能够较好地将两个人的活动点云区分开。在此基础上,针对雷达帧内稀疏多反射点的特点,数据率的高低将影响系统的准确度与实时性,采用多帧融合取均值代表点的方法,在提高准确率的同时保证算法的实时性。(3)研究了室内人体感知系统的行为识别方案。首先采用基于传统机器学习的方法,通过分析跌倒、坐下、行走三种动作的特点,提取具有辨识力的特征输入随机森林分类器中,获得了良好的分类效果,并实现了识别准确率不受目标具体位置及动作发生方向的影响。此外,针对传统机器学习存在手工提取特征参数过程繁琐的问题,进一步提出了基于深度学习残差网络模型的行为识别方法,通过分析比较,优化数据的最佳的插值尺寸、学习率以及优化器,达到较为理想的识别效果。

关键词： 乳腺肿块   形状   边缘   机器学习   深度学习  

摘要： 目的:采用基于影像组学特征的机器学习（Machine Learning,ML）方法作为基线和对比研究,验证基于深度卷积神经网络（Convolutional Neural Network,CNN）的人工智能方法对乳腺肿块形状和边缘进行自动分类的可行性。方法:回顾性收集596例乳腺肿块患者的乳腺钼靶X线图像。根据乳腺影像报告数据系统（Breast Imaging-Reporting And Data System,BI-RADS）指南,对每个肿块的形状和边缘进行手动标记。以残差网络Resnet 50（Residual Networks,ResNet）为基础主干,基于深度CNN的人工智能技术进行形状和边缘自动分类,采用平衡采样器（Balanced Sampler,BS）和卷积块注意模块（Convolution Block Attention Module,CBAM）对深度CNN的性能进行改进。作为对比,首先提取图像的影像组学特征,然后采用主成分分析（Principle Component Analysis,PCA）、核主成分分析（Kernel Principle Component Analysis,KPCA）、独立成分分析（Independent Component Analysis,ICA）、因子分析（Factors Analysis,FA）四种降维方法和决策树（Decision Tree,DT）、支持向量机（Support Vector Machine,SVM）、K-近邻算法（K Nearest Neighbor,KNN）、随机森林（Random Forest,RF）、多层感知器（Multilayer Perceptron,MLP）五种经典分类器进行分类。基于Python编程软件,运用准确度（Accuracy,Acc）评价模型的性能,选择Acc最高的模型。结果:在基于影像组学的ML对肿块形状分类检测中,PCA+MLP组合的Acc为0.80,KPCA+MLP 组合的 Acc 为 0.75,ICA+SVM、ICA+RF 组合的 Acc 均为 0.77,FA+MLP组合的Acc为0.69;基于影像组学的ML对肿块边缘分类检测中,PCA+RF、KPCA+RF、ICA+SVM、FA+RF 组合的 Acc 分别为 0.64、0.67、0.60、0.68。肿块形状在 3 种不同深度学习模型（Resnet50_ori,Resnet50bs,Resnet50bscbam）的混淆矩阵Acc分别为0.8559、0.8649、0.8739;肿块边缘在3种不同深度学习模型（Resnet50_ori,Resnet50bs,Resnet50bscbam）的混淆矩阵 Acc 分别为 0.7658、0.7928、0.8378。结论:基于深度CNN的人工智能方法能准确地进行乳腺肿块形状和边缘的自动分类,可望进一步应用于乳腺钼靶的辅助影像诊断。

关键词： 重性抑郁障碍   双相障碍   静息态功能磁共振技术   机器学习   逻辑回归  

摘要： 目的:重性抑郁障碍(Major depressive disorder,MDD)和双相障碍(Bipolar disorder,BD)是两种致残、致死率较高的情感障碍。当BD以抑郁为首发症状时,两种情感障碍鉴别诊断困难。对MDD患者进行随访可以从主观症状学角度对两种疾病进行早期识别,静息态功能磁共振技术(Resting-state functional MRI,rs-f MRI)则可以从客观角度为两种疾病的识别提供神经影像学标记。既往研究提示两种疾病常表现为多个脑区的功能差异,对两种疾病的大脑网络进行研究或许更有助于阐明两种疾病的神经影像学机制,其中基于体素水平的度中心度(Voxel-wise degree centrality,DC)是描述功能网络节点重要性最直接的度量指标,它可以敏感检测两种疾病的功能差异并具有较高的重测信度。因此,联合随访和DC方法进行研究将为MDD和BD的早期识别提供研究基础。但目前研究结果尚不能直接应用于临床,而机器学习方法则可以通过训练数据集,建立一个能够区分不同个体的模型,并将该模型应用于新的数据集进行分类或预测,为研究结果向临床应用转化提供了可能。因此,本研究首先通过对MDD患者和BD患者联合应用随访和rs-f MRI,探索MDD和BD各自特异性、素质性的神经影像学机制,为两种疾病的早期识别提供神经影像学研究基础;之后基于机器学习方法使用DC特征,建立分类性能最佳的MDD-BD分类模型,并将该模型应用于新的数据以测试该模型早期识别缺乏主观确诊症状患者的能力。方法:在基线收集MDD患者和BD患者并扫描rs-f MRI,之后对MDD患者进行2年以上的随访,将随访过程中出现了躁狂或轻躁狂症状的患者纳入转相前BD患者组,从未出现躁狂或轻躁狂症状的患者继续纳入MDD患者组。最终纳入BD患者128名(其中转相前BD患者33名),MDD患者110名(其中33名与转相前BD患者年龄、性别、学历相匹配)以及与转相前BD患者年龄、性别、学历相匹配健康对照(Healthy control,HC)40名。采集所有受试者的年龄、性别、学历、病程、用药情况、汉密尔顿抑郁量表(17项)(17-item Hamilton Rating Scale for Depression,HAMD-17)总分、汉密尔顿焦虑量表(Hamilton Anxiety Scale,HAMA)总分、杨氏躁狂评定量表(Young Mania Rating Scale,YMRS)总分。使用SPSS 24.0软件对所有受试者的人口学和临床资料进行统计分析。采用基于Matlab软件平台的DPARSFA软件包对rs-f MRI数据进行预处理,采用DPABI4.2软件对预处理后的rs-f MRI数据进行统计分析。研究分为两部分,第一部分比较MDD患者、转相前BD患者和HC之间的DC差异;第二部分首先比较明确诊断的MDD患者和BD患者之间DC差异,其次采用基于Scikit-Learn的Easylearn软件调用逻辑回归分类器,将存在统计学差异脑区的DC作为分类特征,建立MDD-BD分类模型,并使用5折交叉验证对模型进行验证;最后将模型应用于独立的测试数据集(转相前BD患者和MDD患者)。结果:1.第一部分包括33名MDD患者、33名转相前BD患者以及40名HC,三组受试者的年龄、性别、学历之间无统计学差异(P>0.05)。影像数据结果显示三组受试者主要在右侧枕中回、右侧颞上回、右侧颞中回、右侧顶下回、右侧缘上回、右侧中央后回、右侧额上回、右侧额中回、右侧三角部额下回的DC值存在的统计学差异(P<0.05,GRF校正)。提取以上脑区的DC值进行事后检验,结果显示,与HC和转相前BD患者相比,MDD患者在右侧枕中回、右侧颞上回、右侧颞中回脑区的DC值减低(P<0.05),HC和转相前BD患者在以上脑区的DC值无统计学差异(P>0.05);与HC和MDD患者相比,转相前BD患者在右侧顶下回、右侧缘上回、右侧中央后回脑区DC值增高(P<0.05),HC和MDD患者在以上脑区的DC值无统计学差异(P>0.05);与HC相比,MDD患者和转相前BD患者在右侧额上回、右侧额中回、右侧三角部额下回脑区的DC值增高(P<0.05),MDD患者和转相前BD患者在以上脑区的DC值无统计学差异(P>0.05)。2.第二部分包括77名MDD患者和95名BD患者,两组患者的年龄、性别、学历之间均无统计学差异(P>0.05)。影像数据结果显示MDD患者和BD患者在双侧额上回、双侧内侧额上回、双侧眶部额上回、双侧额中回、右侧眶部额中回、双侧岛盖部额下回、双侧三角部额下回、双侧眶部额下回、双侧内侧眶额回、双侧中央前回、双侧补充运动区、双侧中央沟盖、双侧中央旁小叶、双侧顶上回、双侧顶下回、双侧缘上回

关键词： 机器学习   Fama-French三因子模型   系数函数   聚类分析  

摘要： 我国的证券市场在改革开放的伟大历史进程中获得了长足发展,从2009年创业板的正式推出到2019年推出科创版并试点注册制,我国已完成了多层次资本市场的建立,国内资本市场也进入了加速换挡的新周期。基于证券市场的重要地位,资产的定价问题长期以来都是投资分析的热点问题。有效的资产定价模型对于开展资产配置、风险管理以及投后评估等研究具有重要意义。其中,股票回报率的影响因素备受学者们关注。Sharp提出的现代金融市场价格理论的支柱一——CAPM模型,反映了当市场处于均衡状态时,单个证的券收益率与市场组合收益率两者之间的定价关系,具有很强的理论意义,但在实证结果的解释方面却力不从心。为弥补这一缺陷,Fama&French提出了著名的三因子理论,指出市场风险因子、市值因子、账面市值比因子对超额收益率的解释能力比CAPM更为显著。之后不断有学者对该模型进行优化与改进,使其焕发出新的生机与活力。本文改变传统研究中对三因子模型中的因子进行补充的思路,提出对三因子模型的因子系数进行改进与优化。首先,将三因子模型的因子系数从常数优化为时变函数,并进行理论推导。其次,基于2000年至2019年间中国资本市场的真实月度数据对因子模型中的系数函数进行估计与刻画,证实了因子的系数函数存在的合理性与有效性,有利于提高因子模型对证券市场的超额收益率的解释能力,构建更适用于中国市场的三因子模型。最后,基于求得的三因子模型中的三类系数函数,对股票间成对距离进行度量,并使用机器学习中的组群识别聚类算法对证券进行分类,减小在构建投资组合时挑选股票的工作量,为投资者的投资决策提供理论依据与数据支持。本文的主要研究结论如下:(1)三因子模型中的因子系数是随时间变化的。将三因子模型中的系数优化为一个随时间变化的函数更符合中国股票市场的实际情况;(2)每个股票的系数函数形态各异,包括常数型,也有斜线型、曲线型、以及震荡型,故因子系数函数在时间序列上的变化情况因股票的不同而有所不同。(3)三因子模型中的三大因子(市场风险因子、市值因子以及账面市值比因子)对于不同股票的超额收益率的解释力度存在差异,且这三个因子对某一既定股票的超额收益率的解释力度也是随着时间的变化而变化的,所以在国内因子模型适用性研究领域会因为样本股票选择的不同和研究时段的不同而产生结论上的差异。(4)优化后的三因子模型可被广泛地应用于股票分类当中,并可通过组群识别聚类算法简化投资组合的构建过程。

关键词： 丙型肝炎病毒NS3/4A蛋白酶抑制剂   丙型肝炎病毒NS5A蛋白抑制剂   野生型与突变型蛋白抑制剂   定量构效关系模型   机器学习  

摘要： 丙型肝炎由丙型肝炎病毒(HCV)感染引起。HCV感染者有很高的风险发展为严重肝病,包括肝硬化和肝纤维化等,而这些严重肝病通常会导致肝细胞癌。据世界卫生组织统计,全球的HCV感染者超过7000万人,且每年在以125万人的数量增加。目前还没有有效对抗HCV的疫苗,且近年来HCV的多基因型与多突变型,使得HCV感染的治疗愈加困难。本论文主要采用计算机辅助药物设计的研究方法,以丙型肝炎病毒NS3/4A蛋白酶和NS5A蛋白这两个成药靶点为研究重点,利用化学信息学和机器学习的方法进行抑制剂的活性预测和抑制剂的虚拟筛选研究,利用分子动力学模拟方法进行抑制剂对突变型蛋白的耐药性机理研究,取得了较好的预测效果。此外,利用化学信息学和机器学习的方法对抗炎靶标环氧合酶-2建立了生物活性高低分类模型,取得了较好的分类效果。论文主要研究内容为:(1)使用多元线性回归、支持向量机和随机森林算法构建了 HCV NS3/4A蛋白酶抑制剂的定量构效关系模型。收集512个抑制剂及生物活性IC50值构建数据集,计算每个分子的CORINA全局描述符和二维自相关描述符,使用多元线性回归(MLR)、支持向量机(SVM)和随机森林(RF)三种机器学习方法建立模型。最优SVM模型ModelD4对测试集的预测决定系数(r2)为0.843、标准误差(SEE)为0.647;最优RF模型ModelC6对测试集的预测r2为0.847、SEE为0.635。对两个最优模型的应用域分析,得知其对训练集和测试集抑制剂的覆盖率均大于97%,说明模型的预测结果可信。此后,将数据集拆分成非大环抑制剂子数据集和大环抑制剂子数据集,使用相同的流程基于子数据集建立模型。结果显示出所有的子模型的预测效果均优于总模型。最终得到两组模型可作为有力的虚拟筛选工具:即SVM总模型ModelD4、非大环抑制剂子模型ModelLB2和大环抑制剂子模型ModelMD2;RF总模型ModelC6、非大环抑制剂子模型ModelLB3和大环抑制剂子模型ModelMD3。通过对模型所用分子描述符的分析,我们得知π原子电荷、孤对电子的原子电负性是较为重要的理化性质,可旋转键个数是连接非大环抑制剂和大环抑制剂之间的桥梁。(2)使用定量构效关系模型方法和三维形状与静电相似性比对方法进行了 HCV NS3/4A蛋白酶抑制剂的虚拟筛选。筛选了 Specs数据库和ChemDiv数据库,两数据库总计超过1 81万个小分子。使用两种方法平行对数据库进行虚拟筛选,第一种方法是使用定量构效关系模型预测的方法,通过之前建立的三个SVM模型对数据库中所有分子的生物活性IC50值进行预测,最终得到367个平均预测活性IC50低于100 nM的非大环分子;第二种方法是基于配体化合物的三维形状与静电相似性比对的方法,将上市药物对应的晶体结构中的配体构象作为模版分子构象,找出数据库中与模版分子构象在三维形状、化学基团和静电相似性之和较高的分子,最终得到相似性指数高于1.2的119个非大环分子和22个大环分子。两种筛选方法共筛选得到508个分子。随后,对这508个分子的进行结构聚类,仅保留每个聚类中心预测活性最高的85个分子。通过手动分类,将85个分子根据它们的分子骨架划分为13类,保留了每类骨架中预测活性最高的分子作为候选分子。最后,通过分子对接、分子动力学模拟、结合自由能计算和结合模式分析,进一步对虚拟筛选结果进行验证,得到3个可以与NS3/4A蛋白酶具有较强相互作用的候选分子,它们可用于进一步研究。(3)使用比较分子力场分析(CoMFA)方法和比较分子相似性指数分析(CoMSIA)方法构建了 HCVNS5A蛋白吲哚四环类抑制剂对野生型与突变型蛋白活性的三维定量构效关系模型。收集了 196个吲哚四环类抑制剂以及它们的三组生物活性,即野生型GT-1a、突变型GT-1a Y93H和突变型GT-1a L31V的EC90值构成三组数据集。使用OMEGA程序对每个抑制剂生成了 600个构象,并使用ROCS进行分子叠合。使用CoMFA和CoMSIA方法分别建立模型。在建模过程中,我们定义了四个参数选择规则和一个过训练评价公式来选择最佳参数。对于三组数据集GT-1a、GT-1a Y93H和GT-1a L31V,最优模型的测试集预测决定系数(r2)分别为0.682、0.779 和 0.782,标准误差(SEE)分别为 0.418、0.608和0.560。通过对最优模型的等势图分析,总结出在药物艾尔巴韦(elbasvir)分子Z基团对位引入一个相对较小、非负电、疏水、无氢键受体的基团,将Z基团的苯环替换为杂环,在四环核心基团上引入体积较小的吸电子取代基,在缬氨酸的异丙基中引入氢键受体且不要替换为体积过大的基团,在脯氨酸中引入疏水性基团且不要引入氢键受体和负电基团可以同时提高

摘要： The large-scale, high-dimensional, and sparse single-cell RNA sequencing (scRNA-seq) data have raised great challenges in the pipeline of data analysis. A large number of statistical and machine learning methods have been developed to analyze scRNA-seq data and answer related scientific questions. Although different methods claim advantages in certain circumstances, it is difficult for users to select appropriate methods for their analysis tasks. Benchmark studies aim to provide recommendations for method selection based on an objective, accurate, and comprehensive comparison among cutting-edge methods. They can also offer suggestions for further methodological development through massive evaluations conducted on real data. In Chapter 2, we conduct the first, systematic benchmark study of nine cutting-edge computational doublet-detection methods. In scRNA-seq, doublets form when two cells are encapsulated into one reaction volume by chance. The existence of doublets, which appear as but are not real cells, is a key confounder in scRNA-seq data analysis. Computational methods have been developed to detect doublets in scRNA-seq data; however, the scRNA-seq field lacks a comprehensive benchmarking of these methods, making it difficult for researchers to choose an appropriate method for their specific analysis needs. Our benchmark study compares doublet-detection methods in terms of their detection accuracy under various experimental settings, impacts on downstream analyses, and computational efficiency. Our results show that existing methods exhibited diverse performance and distinct advantages in different aspects. In Chapter 3, we develop an R package DoubletCollection to integrate the installation and execution of different doublet-detection methods. Traditional benchmark studies can be quickly out-of-date due to their static design and the rapid growth of available methods. DoubletCollection addresses this issue in benchmarking doublet-detection methods for scRNA-s

关键词： 机器学习   股价预测   沪深300指数   Lasso  

摘要： 我国资本市场经历了三十多年的发展,股票投资在人们的日常生活中扮演着越来越重要角色,股票市场直接关系到金融市场的稳定和经济的健康持续发展。在金融投资领域,随着人工智能领域机器学习的兴起,大量学者使用机器学习的方法研究市场变化、行业走势、预测股票价格,以此实现对股票投资的指导。但机器学习范围面广,所涉及的算法也较多,不同方法之间是否存在显著差异,使用不同的方法来预测股票价格,是否会得到不同的效果,本文使用实证研究的方法并结合实盘回测来比较不同的机器学习算法预测效果,为后续使用者提供机器学习算法的选择依据。文章选取沪深300指数2005年1月1日到2020年12月31日近15年的日度数据,选取开盘价(Open)、收盘价(Close)、最高价(High)、最低价(Low)、成交量(Volume)、成交金额(Amount)、振幅(Amplitude)和涨跌幅(Change)作为特征,利用最小二乘回归模型、Lasso回归模型、Ridge回归模型、决策树模型、随机森林、GBDT梯度提升算法、BP神经网络七种不同的机器学习算法模型,对训练集数据进行拟合,使用测试集数据拟合图及不同评价指标对模型算法预测精度进行评估。最后利用不同机器学习模型的预测结果,确定买卖信号构建择时量化策略,选择聚宽量化交易平台,确定回测区间为2018年6月1日至2020年12月31日进行实盘回测,比较不同模型预测效果。结果表明选取的七个模型在实盘策略构建中,均获得超过基准收益的表现,其中Lasso回归模型在回测区间内超额收益达到27.14%,回测效果最好。在机器学习多模型比较和金融时序预测问题上,该文章具有一定的现实意义,可为相关研究者提供参考借鉴。

关键词： 分子对接构象一致性   机器学习   突变亨廷顿蛋白   分子胶水   虚拟筛选  

摘要： 虚拟筛选是药物发现的常用技术手段,其通过利用计算机方法对打分排名靠前的化合物进行测试而不需要对化合物库中所有化合物进行测试,显著加快先导化合物的发现。然而,随着可探索的化学空间的逐渐扩大(目前约为1063),即使可通过虚拟筛选方法获得打分排名前0.1%到2.5%的小分子进行下一步实验验证,但保留的化合物数据库规模仍十分庞大。因此,优化虚拟筛选评价方法具有重要的科学意义和应用价值。分子对接构象一致性是指通过使用不同分子对接程序进行虚拟筛选,对打分排名均靠前化合物的结合构象进行RMSD计算,若不同分子对接程序输出化合物结合构象间的RMSD小于某阈值(如2 A),则认为该化合物具有一致性对接构象,是否具有该一致性构象可作为虚拟筛选新的评价方法,有助于缩小数据集的大小,降低假阳性,同时使活性化合物的富集能力增强,然而,此过程需要消耗大量计算机资源。因此,本文提出将机器学习方法应用于分子对接构象一致性研究,以期快速有效进行虚拟筛选。本文第一部分使用机器学习方法预测化合物是否具有一致性对接构象。首先对多个程序的复原实验结构能力以及具有分子对接一致性构象复原实验能力进行评估。然后通过多方面的选择,选择通过Vina和rDock对接程序的结果构象获得分子对接构象一致性数据集;接着构建预测分子对接构象一致性的预测模型,通过预测模型在外部测试集上的正确率、敏感度和AUC等指标评价模型性能,最后得到前馈神经网络模型有良好的预测能力,AUC值最高为0.806,准确率可达0.816。模型对靶标体系具有选择性,在激酶体系中表现相对较好,可在模型的泛化能力上加以探索。本文第二部分通过分子对接、同源建模以及分子动力学模拟等方法预测了 mHTT/分子胶水/LC3三元复合物的相互作用模式。突变亨廷顿蛋白(mHTT)的聚集会导致亨廷顿疾病,因此,mHTT的清除对于亨廷顿病的治疗十分关键。LC3为细胞自噬相关蛋白,可以参与自噬过程并降解mHTT。最新的研究表明,小分子“胶水”可将LC3与mHTT“粘合”,加速mHTT的清除。本文通过计算机模拟发现,小分子“胶水”通过分别与mHTTN17结构域的PHE11处口袋和LC3的HP2 口袋结合从而“粘合”两个蛋白。本章研究结果为后续新型高效小分子粘合剂的筛选与优化提供了较合理的三维结构模型。