| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 生物信息学中多标签分类问题 | 第11-13页 |
| 1.1.1 生物信息学及多标签问题 | 第11页 |
| 1.1.2 基因表型预测 | 第11-12页 |
| 1.1.3 蛋白质亚细胞定位 | 第12-13页 |
| 1.2 权威数据库和研究方法 | 第13-15页 |
| 1.2.1 权威数据库 | 第13-14页 |
| 1.2.2 常用的分析预测方法 | 第14-15页 |
| 1.3 论文的主要研究内容 | 第15-17页 |
| 第二章 酵母蛋白的基因型和表现型 | 第17-22页 |
| 2.1 酵母蛋白的基因特征表示 | 第17-18页 |
| 2.1.1 蛋白质 GO（Gene Ontology）富集分 | 第17页 |
| 2.1.2 蛋白质 KEGG（Kyoto Encyclopedia of Genes and Genomes）富集分 | 第17-18页 |
| 2.2 酵母蛋白的表型类别分析 | 第18-22页 |
| 2.2.1 样本集及表型构建 | 第18-20页 |
| 2.2.2 多标签分类问题 | 第20-22页 |
| 第三章 机器学习方法在酵母表型预测中的应用 | 第22-37页 |
| 3.1 酵母蛋白基因特征的构建 | 第22-23页 |
| 3.2 mRMR 和 IFS | 第23-25页 |
| 3.2.1 mRMR | 第23-24页 |
| 3.2.2 IFS | 第24-25页 |
| 3.3 分类算法 | 第25-30页 |
| 3.3.1 kNNA-based 算法 | 第25-28页 |
| 3.3.2 RPC-based 方法 | 第28-30页 |
| 3.4 预测结果与分析 | 第30-36页 |
| 3.4.1 预测结果的表示 | 第30页 |
| 3.4.2 评估方法的选择 | 第30-31页 |
| 3.4.3 预测结果分析与比较 | 第31-36页 |
| 3.5 研究结论 | 第36-37页 |
| 第四章 机器学习方法在其它多标签问题中的应用 | 第37-44页 |
| 4.1 实验数据 | 第37-38页 |
| 4.2 特征提取和选取 | 第38-40页 |
| 4.3 kNNA-based 分类算法 | 第40页 |
| 4.4 结果与讨论 | 第40-43页 |
| 4.4.1 特征选取结果 | 第40页 |
| 4.4.2 kNNA-based 算法运行结果 | 第40-43页 |
| 4.5 研究结论 | 第43-44页 |
| 第五章 结论与展望 | 第44-46页 |
| 5.1 结论 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-52页 |
| 作者在攻读硕士学位期间公开发表的论文与所获奖励 | 第52-53页 |
| 作者在攻读硕士学位期间所作的项目 | 第53-54页 |
| 致谢 | 第54页 |