| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-13页 |
| 1.1 蛋白质相互作用概述 | 第7-8页 |
| 1.2 获取蛋白质相互作用的方法 | 第8-12页 |
| 1.2.1 传统的小规模试验方法 | 第8-9页 |
| 1.2.2 高通量的试验方法 | 第9-10页 |
| 1.2.3 生物信息学预测方法 | 第10-12页 |
| 1.3 本文的研究内容与安排 | 第12-13页 |
| 2 基于小波变换和stacked generalization的蛋白质相互作用预测 | 第13-53页 |
| 2.1 引言 | 第13-14页 |
| 2.2 构造测试用数据集 | 第14-17页 |
| 2.2.1 使用数据库简介 | 第14-17页 |
| 2.3 使用小波变换进行序列信息提取 | 第17-30页 |
| 2.3.1 小波变换基本原理 | 第17-19页 |
| 2.3.2 氨基酸物理化学性质 | 第19-20页 |
| 2.3.3 常见氨基酸信息编码方法简介 | 第20-25页 |
| 2.3.4 序列信息精简 | 第25-28页 |
| 2.3.5 预测性能评估指标 | 第28-29页 |
| 2.3.6 小波选择 | 第29页 |
| 2.3.7 序列信息提取方案比较 | 第29-30页 |
| 2.4 集成算法简介 | 第30-40页 |
| 2.4.1 常见集成学习算法简介 | 第30-32页 |
| 2.4.2 Stacked generalization算法原理 | 第32-34页 |
| 2.4.3 常见基分类器简介 | 第34-40页 |
| 2.5 实验结果与数据分析 | 第40-52页 |
| 2.5.1 Stacked generalization算法选择 | 第40-43页 |
| 2.5.2 常见算法性能比较 | 第43-51页 |
| 2.5.3 几种分类器的性能比较 | 第51-52页 |
| 2.6 本章小结 | 第52-53页 |
| 3 基于小波变换和stacked generalization的蛋白质相互作用泛化及迁移学习研究 | 第53-60页 |
| 3.1 引言 | 第53-54页 |
| 3.2 数据集制备 | 第54-55页 |
| 3.3 序列信息提取 | 第55页 |
| 3.4 Tradaboost算法简介 | 第55-57页 |
| 3.5 实验结果与数据分析 | 第57-59页 |
| 3.6 小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间发表学术论文情况 | 第67-68页 |
| 致谢 | 第68-70页 |
