| 摘要 | 第8-10页 |
| Abstract | 第10-12页 |
| 目录 | 第13-16页 |
| 第一章 绪论 | 第16-25页 |
| 1.1 生物信息学简介 | 第16-19页 |
| 1.1.1 生物信息学的含义 | 第16页 |
| 1.1.2 生物信息学的研究意义 | 第16-17页 |
| 1.1.3 生物信息学的研究内容 | 第17-18页 |
| 1.1.4 常用生物信息学数据库 | 第18-19页 |
| 1.2 数据挖掘简介 | 第19-22页 |
| 1.2.1 数据挖掘的含义 | 第19-20页 |
| 1.2.2 数据挖掘系统的组成 | 第20页 |
| 1.2.3 数据挖掘与数学模型的关系 | 第20-21页 |
| 1.2.4 数据挖掘与经典统计分析的关系 | 第21页 |
| 1.2.5 数据挖掘的流程 | 第21-22页 |
| 1.3 涉及的计算机常识 | 第22-24页 |
| 1.3.1 Java 语言 | 第22-23页 |
| 1.3.2 Swing 技术 | 第23页 |
| 1.3.3 XML | 第23-24页 |
| 1.4 本文的主要内容 | 第24-25页 |
| 第二章 常用数据挖掘算法 | 第25-43页 |
| 2.1 基本算法 | 第25-36页 |
| 2.1.1 最近邻算法 | 第25页 |
| 2.1.2 人工神经网络算法 | 第25-27页 |
| 2.1.3 支持向量机算法 | 第27-33页 |
| 2.1.3.1 统计学习理论 | 第27-29页 |
| 2.1.3.2 支持向量分类算法 | 第29-33页 |
| 2.1.3.3 常用核函数 | 第33页 |
| 2.1.4 决策树算法 | 第33-35页 |
| 2.1.4.1 C4.5 算法 | 第35页 |
| 2.1.4.2 随机森林算法 | 第35页 |
| 2.1.5 贝叶斯网络算法 | 第35-36页 |
| 2.2 集成学习算法 | 第36-39页 |
| 2.2.1 Boosting 和 AdaBoost 算法 | 第37-38页 |
| 2.2.2 Bagging 算法 | 第38-39页 |
| 2.3 特征选择算法 | 第39-42页 |
| 2.3.1 mRMR 算法 | 第39-40页 |
| 2.3.2 IFS 算法 | 第40页 |
| 2.3.3 CFS 算法 | 第40-41页 |
| 2.3.4 FFS 算法 | 第41-42页 |
| 2.4 本章小结 | 第42-43页 |
| 第三章 小分子的参数表征研究 | 第43-64页 |
| 3.1 引言 | 第43页 |
| 3.2 商业软件 | 第43-46页 |
| 3.2.1 HyperChem | 第43-45页 |
| 3.2.2 ChemOffice | 第45-46页 |
| 3.3 开源软件 | 第46-49页 |
| 3.3.1 小分子官能团组成 | 第46-48页 |
| 3.3.2 CDK | 第48-49页 |
| 3.4 ChemAxon | 第49-63页 |
| 3.4.1 ChemAxon 及其产品简介 | 第49-52页 |
| 3.4.1.1 ChemAxon 简介 | 第49-50页 |
| 3.4.1.2 Marvin 简介 | 第50-51页 |
| 3.4.1.3 JChem 简介 | 第51-52页 |
| 3.4.2 JChem for Excel 的简介 | 第52-53页 |
| 3.4.3 Calculator Plugins 的简介 | 第53-56页 |
| 3.4.4 国内外使用 ChemAxon 的概况 | 第56-59页 |
| 3.4.4.1 国内使用情况 | 第56-57页 |
| 3.4.4.2 国外使用情况 | 第57-59页 |
| 3.4.5 基于 Calculator Plugins 的二次开发 | 第59-63页 |
| 3.4.5.1 程序的简介 | 第59-60页 |
| 3.4.5.2 对计算分子的预处理 | 第60-61页 |
| 3.4.5.3 程序的实现原理 | 第61-62页 |
| 3.4.5.4 程序的使用方法 | 第62-63页 |
| 3.5 本章小结 | 第63-64页 |
| 第四章 小分子参与代谢途径类型研究 | 第64-95页 |
| 4.1 引言 | 第64-66页 |
| 4.2 小分子参与脂类代谢途径的子类型预测 | 第66-74页 |
| 4.2.1 研究背景 | 第66-67页 |
| 4.2.2 数据准备 | 第67-70页 |
| 4.2.3 结果与讨论 | 第70-74页 |
| 4.2.3.1 特征选择 | 第70页 |
| 4.2.3.2 模型的建立与评估 | 第70-73页 |
| 4.2.3.3 特征分析 | 第73-74页 |
| 4.3 小分子参与单途径代谢的类型预测 | 第74-93页 |
| 4.3.1 研究背景 | 第74-76页 |
| 4.3.2 数据准备 | 第76-78页 |
| 4.3.3 结果与讨论 | 第78-90页 |
| 4.3.3.1 特征选择 | 第78-81页 |
| 4.3.3.2 模型的建立与评估 | 第81-83页 |
| 4.3.3.3 投票法模型分析 | 第83-85页 |
| 4.3.3.4 特征分析 | 第85-89页 |
| 4.3.3.5 与使用官能团组成结果的比较 | 第89-90页 |
| 4.3.4 在线预测服务 | 第90-93页 |
| 4.3.4.1 实现在线预测服务的意义 | 第90-91页 |
| 4.3.4.2 在线预测服务的实现原理 | 第91-92页 |
| 4.3.4.3 在线预测服务的内容 | 第92-93页 |
| 4.4 本章小结 | 第93-95页 |
| 第五章 小分子与酶的相互作用研究 | 第95-108页 |
| 5.1 引言 | 第95-96页 |
| 5.2 蛋白质的表征方法 | 第96-100页 |
| 5.2.1 氨基酸组成 | 第97-98页 |
| 5.2.2 拟氨基酸组成 | 第98-99页 |
| 5.2.3 氨基酸的组成和分布 | 第99-100页 |
| 5.3 数据准备 | 第100-103页 |
| 5.3.1 数据的获取 | 第100-101页 |
| 5.3.2 参数表征 | 第101-103页 |
| 5.4 结果与讨论 | 第103-107页 |
| 5.4.1 特征选择 | 第103-104页 |
| 5.4.2 模型的建立和评估 | 第104-105页 |
| 5.4.3 特征分析 | 第105-107页 |
| 5.5 本章小结 | 第107-108页 |
| 第六章 投票法预测蛋白质与 RNA 的相互作用 | 第108-124页 |
| 6.1 引言 | 第108-110页 |
| 6.2 数据准备 | 第110-112页 |
| 6.3 投票算法 | 第112-113页 |
| 6.4 结果与讨论 | 第113-123页 |
| 6.4.1 投票使用的分类器 | 第113-114页 |
| 6.4.2 单一分类器的预测结果 | 第114-119页 |
| 6.4.3 投票算法的预测结果 | 第119-121页 |
| 6.4.4 算法选择分析 | 第121-123页 |
| 6.5 本章小结 | 第123-124页 |
| 第七章 总结与展望 | 第124-127页 |
| 7.1 全文总结 | 第124-125页 |
| 7.2 工作展望 | 第125-127页 |
| 参考文献 | 第127-145页 |
| 攻读博士学位期间发表的论文 | 第145-146页 |
| 攻读博士学位期间参与的项目 | 第146-147页 |
| 致谢 | 第147页 |
