机器学习方法在生物序列分析中的应用
| 致谢 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 1 绪论 | 第11-22页 |
| 1.1 生物信息学概述 | 第11-17页 |
| 1.2 生物序列分析 | 第17-18页 |
| 1.3 机器学习和数据挖掘 | 第18-19页 |
| 1.4 本文的内容和结构 | 第19-22页 |
| 2 机器学习方法 | 第22-41页 |
| 2.1 隐马尔可夫模型 | 第22-25页 |
| 2.2 集成学习方法 | 第25-34页 |
| 2.3 语言学模型 | 第34-40页 |
| 2.4 本章总结 | 第40-41页 |
| 3 基于集成学习的蛋白质序列对比 | 第41-58页 |
| 3.1 蛋白质序列比对 | 第41-45页 |
| 3.2 基于集成学习的蛋白质序列比对算法 | 第45-54页 |
| 3.3 测试结果 | 第54-57页 |
| 3.4 总结 | 第57-58页 |
| 4 一种快速比对非编码RNA序列-结构的算法 | 第58-75页 |
| 4.1 引言 | 第58-61页 |
| 4.2 RNA结构 | 第61-63页 |
| 4.3 传统共变模型 | 第63-69页 |
| 4.4 改进的共变模型与算法 | 第69-72页 |
| 4.5 实验结果 | 第72-73页 |
| 4.6 结论 | 第73-75页 |
| 5 基于图论的转录因子结合位点识别 | 第75-90页 |
| 5.1 引言 | 第75-76页 |
| 5.2 转录因子结合位点的识别 | 第76-80页 |
| 5.3 模型与算法 | 第80-85页 |
| 5.4 实验结果 | 第85-88页 |
| 5.5 结论 | 第88-90页 |
| 6 基于圈论的DNA微阵列数据聚类算法 | 第90-108页 |
| 6.1 引言 | 第90-91页 |
| 6.2 DNA微阵列数据分析和聚类算法 | 第91-99页 |
| 6.3 模型和算法 | 第99-105页 |
| 6.4 实验结果 | 第105-106页 |
| 6.5 结论 | 第106-108页 |
| 7 总结与展望 | 第108-111页 |
| 7.1 总结 | 第108-109页 |
| 7.2 展望 | 第109-111页 |
| 参考文献 | 第111-126页 |
| 攻读博士学位期间发表和录用论文 | 第126页 |
