人类抗原肽载体结合力预测
| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 缩略名词表 | 第10-12页 |
| 1 前言 | 第12-28页 |
| ·免疫应答的基本过程 | 第12-14页 |
| ·抗原递呈细胞和T淋巴细胞活化 | 第12-13页 |
| ·外源性抗原加工递呈 | 第13页 |
| ·内源性抗原加工递呈 | 第13页 |
| ·抗原肽载体TAP结合多肽的特异性 | 第13-14页 |
| ·抗原肽载体TAP研究进展 | 第14-16页 |
| ·机器学习方法 | 第16-25页 |
| ·数据挖掘 | 第16页 |
| ·机器学习 | 第16-18页 |
| ·常用的机器学习技术 | 第18-24页 |
| ·人工神经网络 | 第18-21页 |
| ·支持向量机 | 第21-24页 |
| ·数据挖掘软件Weka | 第24-25页 |
| ·模型评价方法 | 第25-26页 |
| ·常用的模型评价方法 | 第25-26页 |
| ·本文使用的回归模型评价指标 | 第26页 |
| ·本文的研究方法和结果 | 第26-28页 |
| 2 材料与方法 | 第28-41页 |
| ·数据集 | 第28-29页 |
| ·氨基酸物理化学属性 | 第29-30页 |
| ·肽段的初始向量表示 | 第30-31页 |
| ·氨基酸物理化学属性及其标准化 | 第30-31页 |
| ·肽段的初始向量表示 | 第31页 |
| ·特征提取 | 第31-35页 |
| ·机器学习方法选取重要属性和位点 | 第31-32页 |
| ·主成分分析综合次要属性和位点 | 第32-35页 |
| ·序列编码方案 | 第35-36页 |
| ·数据集的划分 | 第36-37页 |
| ·旁置法 | 第36页 |
| ·交叉验证 | 第36-37页 |
| ·LIBSVM训练和测试 | 第37-39页 |
| ·旁置法 | 第37-38页 |
| ·交叉验证 | 第38-39页 |
| ·人工神经网络训练和测试 | 第39-41页 |
| ·旁置法 | 第39-40页 |
| ·交叉验证 | 第40-41页 |
| 3 结果与分析 | 第41-49页 |
| ·位点对结合力的影响分析 | 第41页 |
| ·物理化学属性对结合力的影响分析 | 第41-42页 |
| ·LIBSVM测试结果与分析 | 第42-45页 |
| ·旁置法测试结果与分析 | 第42-44页 |
| ·交叉验证结果与分析 | 第44-45页 |
| ·人工神经网络测试结果与分析 | 第45-49页 |
| ·旁置法测试结果与分析 | 第45-47页 |
| ·交叉验证结果与分析 | 第47-49页 |
| 4 讨论 | 第49-53页 |
| ·多种编码方案效果比较分析 | 第49页 |
| ·支持向量机与人工神经网络预测结果比较 | 第49-50页 |
| ·本文与其他研究者工作比较及优势所在 | 第50-51页 |
| ·本文的不足和对下一步研究的展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 附录1 20种氨基酸的15属性标准化得分 | 第58-59页 |
| 附录2 次要维数前7个主成分组合系数 | 第59-62页 |
| 附录3 试验所用的抗原9肽序列一览表 | 第62-65页 |
| 附录4 攻读学位期间发表的文章 | 第65页 |
