深度学习在蛋白质二级结构预测中的应用研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 课题研究背景及意义 | 第10-14页 |
| 1.1.1 课题背景 | 第10-12页 |
| 1.1.2 课题研究意义 | 第12-14页 |
| 1.2 国内外研究进展 | 第14-18页 |
| 1.2.1 前言 | 第14-15页 |
| 1.2.2 常用蛋白质预测方法概述 | 第15-17页 |
| 1.2.3 蛋白质二级结构预测方法简介 | 第17-18页 |
| 1.3 本论文主要研究内容 | 第18-20页 |
| 1.4 本论文组织 | 第20-21页 |
| 第二章 蛋白质结构简介 | 第21-36页 |
| 2.1 引言 | 第21-22页 |
| 2.2 蛋白质结构简介 | 第22-32页 |
| 2.2.1 蛋白质组成 | 第23页 |
| 2.2.2 蛋白质结构分类 | 第23-32页 |
| 2.2.3 蛋白质结构与功能 | 第32页 |
| 2.3 蛋白质结构预测基础 | 第32-35页 |
| 2.3.1 蛋白质结构预测的发展 | 第33页 |
| 2.3.2 常用预测方法 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 深度学习理论基础 | 第36-53页 |
| 3.1 深度学习简介 | 第36-38页 |
| 3.2 深度学习网络模型 | 第38-44页 |
| 3.2.1 网络节点 | 第38-39页 |
| 3.2.2 组成模块(RBM) | 第39-41页 |
| 3.3.3 RBM的能量模型 | 第41-44页 |
| 3.3 深度学习算法策略 | 第44-46页 |
| 3.3.1 无监督逐层训练 | 第45页 |
| 3.3.2 有监督微调 | 第45页 |
| 3.3.3 并行计算 | 第45-46页 |
| 3.4 深度学习常见模型 | 第46-51页 |
| 3.4.1 栈式自动编码器(SAE) | 第46-48页 |
| 3.4.2 卷积神经网络(CNN) | 第48-49页 |
| 3.4.3 深度置信网络(DBN) | 第49-50页 |
| 3.4.4 深度玻尔兹曼机(DBM) | 第50-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 蛋白质序列编码及二级结构预测 | 第53-65页 |
| 4.1 氨基酸简介 | 第53-55页 |
| 4.1.1 氨基酸结构 | 第53-54页 |
| 4.1.2 氨基酸到蛋白质的形成过程 | 第54-55页 |
| 4.2 蛋白质序列的编码及特征提取 | 第55-60页 |
| 4.2.1 正交编码 | 第55-56页 |
| 4.2.2 五位编码 | 第56页 |
| 4.2.3 Profile编码 | 第56-57页 |
| 4.2.4 本文方法 | 第57-60页 |
| 4.3 预测模型及算法 | 第60-62页 |
| 4.3.1 基于深度学习的预测模型 | 第60-62页 |
| 4.3.2 模型的训练策略 | 第62页 |
| 4.4 实验与分析 | 第62-65页 |
| 第五章 总结与展望 | 第65-68页 |
| 5.1 总结 | 第65-67页 |
| 5.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间发表的学术论文 | 第73页 |
