| Abstract | 第1-9页 |
| 中文护展摘要 | 第9-19页 |
| Acronyms | 第19-20页 |
| Table of contents | 第20-25页 |
| List of tables | 第25-27页 |
| List of figures | 第27-29页 |
| 1. Introduction | 第29-49页 |
| ·Proteins | 第29-33页 |
| ·Protein structures | 第33-38页 |
| ·Primary structure | 第34页 |
| ·Secondary structure | 第34-37页 |
| ·Tertiary structure | 第37页 |
| ·Quaternary structure | 第37-38页 |
| ·Beta-turns | 第38-40页 |
| ·Role of beta-turns in protein folding | 第38-39页 |
| ·Role of beta-turns in molecular recognition process | 第39页 |
| ·Beta-turns types | 第39-40页 |
| ·Protein data bank | 第40页 |
| ·Protein structure determination | 第40-41页 |
| ·Computational methods for protein structure prediction | 第41页 |
| ·Motivation | 第41-42页 |
| ·Statement of the problem | 第42-43页 |
| ·Measuring the performance of the prediction | 第43-45页 |
| ·Challenges and objectives | 第45-46页 |
| ·Chapter by chapter overview | 第46-48页 |
| ·Contributions of this thesis | 第48-49页 |
| 2. Literature review | 第49-65页 |
| ·Protein secondary structure prediction | 第49-50页 |
| ·Protein secondary structure prediction methods | 第50页 |
| ·Protein secondary structure prediction servers | 第50-52页 |
| ·PSIPRED | 第51页 |
| ·JNET | 第51页 |
| ·JPRED | 第51-52页 |
| ·PROTEUS | 第52页 |
| ·Beta-turns prediction | 第52-63页 |
| ·The statistical based methods for bet-turn prediction | 第52-55页 |
| ·The neural network methods | 第55-58页 |
| ·The k-nearest neighbor method | 第58-59页 |
| ·The support vector machine (SVM) methods | 第59-63页 |
| ·Summary | 第63-65页 |
| 3. Classification methods | 第65-79页 |
| ·Artificial neural network (ANN) | 第65-68页 |
| ·Training the neural networks | 第66-67页 |
| ·Supervised learning | 第67页 |
| ·Unsupervised learning | 第67-68页 |
| ·Hybrid learning | 第68页 |
| ·Logistic regression (LR) | 第68-70页 |
| ·Logistic regression model | 第68-69页 |
| ·Fitting the logistic regression model | 第69-70页 |
| ·Logistic regression model selection | 第70页 |
| ·Kernel based method | 第70-77页 |
| ·Support vector machines (SVMs) | 第71-73页 |
| ·Least square support vector machines (LS-SVMs) | 第73-75页 |
| ·Kernel logistic regression (KLR) | 第75-77页 |
| ·Fixed size kernel logistic regression (FS-KLR) | 第77页 |
| ·Summary | 第77-79页 |
| 4. Protein secondary structure prediction:Speeding up scaled conjugate gradient NNs | 第79-94页 |
| ·ANN training algorithms | 第79-81页 |
| ·Back-propagation algorithm | 第79-81页 |
| ·Conjugate gradient algorithm | 第81页 |
| ·ANNs for protein secondary structure prediction | 第81-83页 |
| ·Design of the proposed prediction method | 第83-86页 |
| ·Dimensional reduction | 第86页 |
| ·Principal component analysis | 第86-87页 |
| ·Principal component of the protein sequences | 第87-89页 |
| ·Determining the meaningful components to retain | 第89-90页 |
| ·Experimental results | 第90-93页 |
| ·Summary | 第93-94页 |
| 5. Predicting beta-turns in protein using fixed size kernel logistic regression | 第94-114页 |
| ·The logistic regression models for beta-turns prediction | 第94-102页 |
| ·Dataset | 第94-95页 |
| ·LR model using protein's PSSM, chemical, and physical properties as features | 第95-97页 |
| ·Improving the prediction performance using ensemble learning | 第97-99页 |
| ·Using PSSMs and predicted secondary structures as features | 第99-102页 |
| ·Fixed-size kernel logistic regression for beta-turns prediction | 第102-112页 |
| ·Datasets | 第102页 |
| ·Sccondary structure organization | 第102-104页 |
| ·Model selection | 第104页 |
| ·Results | 第104-111页 |
| ·Dissussion | 第111-112页 |
| ·Summary | 第112-114页 |
| 6. Predicting beta-turns in proteins using support vector machines with fractionalpolynomials | 第114-127页 |
| ·Methods | 第114-115页 |
| ·Datasets | 第114页 |
| ·Features | 第114-115页 |
| ·The proposed approach | 第115-116页 |
| ·Clustered model | 第116-121页 |
| ·LR model selection | 第118-119页 |
| ·Fractional polynomials | 第119-121页 |
| ·Training and testing | 第121页 |
| ·Results and discussion | 第121-125页 |
| ·Prediction using PSSMs and PSS | 第121-124页 |
| ·Including shape strings features | 第124-125页 |
| ·Summary | 第125-127页 |
| 7. Conclusions and future work | 第127-130页 |
| ·Conclusions | 第127-128页 |
| ·Future work | 第128-130页 |
| References | 第130-139页 |
| Published and unpublished research work | 第139-140页 |
| Acknowledgements | 第140-141页 |
| Dedication | 第141页 |
