| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-13页 |
| 1.1.1 肿瘤致病基因的生物学研究 | 第10-11页 |
| 1.1.2 肿瘤生物信息学数据库 | 第11-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 论文的组织结构 | 第14-16页 |
| 第二章 老鼠肿瘤致病基因数据整合与预处理 | 第16-28页 |
| 2.1 致病基因预测问题的描述 | 第16-17页 |
| 2.2 老鼠肿瘤致病基因和未知的老鼠基因的特征数据 | 第17-18页 |
| 2.2.1 老鼠相关基因数据收集 | 第17-18页 |
| 2.2.2 老鼠相关基因数据预处理 | 第18页 |
| 2.3 老鼠肿瘤致病基因和未知的老鼠基因相关性计算 | 第18-24页 |
| 2.4 数据处理结果与分析 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 老鼠肿瘤基因特征的挖掘 | 第28-39页 |
| 3.1 老鼠基因网络特征的挖掘 | 第28-33页 |
| 3.1.1 网络结构参数的计算 | 第29-32页 |
| 3.1.2 老鼠肿瘤致病基因与未知老鼠基因结构参数实验比较 | 第32-33页 |
| 3.2 老鼠基因GO特征的提取 | 第33-36页 |
| 3.3 老鼠基因进化保守性特征的挖掘 | 第36-37页 |
| 3.4 实验结果与分析 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于机器学习算法的老鼠肿瘤致病基因的预测 | 第39-55页 |
| 4.1 基于KNN和SVM算法的老鼠肿瘤致病基因预测 | 第39-45页 |
| 4.1.1 基于SVM算法的老鼠肿瘤致病基因的预测 | 第39-43页 |
| 4.1.2 SVM核函数的选择 | 第43-44页 |
| 4.1.3 基于KNN算法的老鼠肿瘤致病基因预测算法 | 第44-45页 |
| 4.2 基于KNN-SVM算法的老鼠肿瘤致病基因预测 | 第45-48页 |
| 4.2.1 KNN-SVM的传统算法 | 第46页 |
| 4.2.2 改进的KNN-SVM算法模型 | 第46-48页 |
| 4.3 实验结果和实例分析 | 第48-54页 |
| 4.3.1 实验数据 | 第49页 |
| 4.3.2 十折交叉验证法 | 第49-50页 |
| 4.3.3 对比实验结果分析 | 第50-52页 |
| 4.3.4 ROC曲线分析方法结果 | 第52-53页 |
| 4.3.5 方法评价 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 总结 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 进一步工作 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间的科研成果 | 第62-63页 |
| 致谢 | 第63页 |
