| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究背景 | 第9-10页 |
| ·蛋白质序列、结构和功能 | 第10-12页 |
| ·本文的主要工作 | 第12-13页 |
| 第二章 利用序列保守性预测酶催化位点 | 第13-47页 |
| ·研究背景 | 第13-24页 |
| ·基于符号频率和替代得分的度量 | 第14-16页 |
| ·基于熵的概念的度量 | 第16-17页 |
| ·考虑到氨基酸物理化学性质的度量 | 第17-20页 |
| ·其它的得分度量 | 第20-24页 |
| ·物理化学性质散度描述及应用 | 第24-29页 |
| ·数据集 | 第24页 |
| ·物理化学性质散度方法介绍 | 第24-25页 |
| ·评价方法 | 第25-26页 |
| ·结果与讨论 | 第26-29页 |
| ·氨基酸背景频率在保守性度量中的应用 | 第29-35页 |
| ·数据集 | 第29页 |
| ·方法介绍 | 第29-31页 |
| ·评价方法 | 第31页 |
| ·结果与讨论 | 第31-35页 |
| ·考虑背景的物理化学性质方法 | 第35-44页 |
| ·数据集 | 第35-36页 |
| ·方法介绍 | 第36-37页 |
| ·评价方法 | 第37页 |
| ·结果与讨论 | 第37-44页 |
| ·本章小结 | 第44-47页 |
| 第三章 机器学习方法在催化位点预测中的应用 | 第47-77页 |
| ·研究背景 | 第47-51页 |
| ·L1-logreg分类器 | 第48-49页 |
| ·支持向量机 | 第49-51页 |
| ·一种基于L1-logred分类器的催化位点预测方法 | 第51-62页 |
| ·数据集 | 第52页 |
| ·方法介绍 | 第52-55页 |
| ·结果与讨论 | 第55-62页 |
| ·序列保守性在基于机器学习的方法中的作用 | 第62-76页 |
| ·数据集 | 第62-63页 |
| ·方法介绍 | 第63-65页 |
| ·结果与讨论 | 第65-76页 |
| ·本章小结 | 第76-77页 |
| 第四章 序列特异的ROC分析使用策略 | 第77-88页 |
| ·研究背景 | 第77-79页 |
| ·ROC曲线 | 第77-78页 |
| ·ROC分析在评价催化位点预测方法中的应用 | 第78-79页 |
| ·序列特异的ROC分析评价策略 | 第79-87页 |
| ·方法介绍 | 第79-80页 |
| ·结果与分析 | 第80-87页 |
| ·本章小结 | 第87-88页 |
| 结论 | 第88-89页 |
| 参考文献 | 第89-98页 |
| 攻读博士学位期间发表学术论文情况 | 第98-100页 |
| 致谢 | 第100-101页 |
| 作者简介 | 第101-103页 |