| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 绪论 | 第9-12页 |
| 1 化学数据挖掘的基本过程及方法 | 第12-22页 |
| 1．1 KDD/DM的定义 | 第12-13页 |
| 1．2 KDD/DM的处理过程 | 第13-15页 |
| 1．3 数据挖掘的分类 | 第15页 |
| 1．4 数据挖掘的任务 | 第15-16页 |
| 1．5 数据挖掘常用方法及技术 | 第16-20页 |
| 1．5．1 统计分析方法 | 第16-17页 |
| 1．5．2 决策树 | 第17-18页 |
| 1．5．3 神经网络方法（Neural Networks） | 第18页 |
| 1．5．4 遗传算法（GA——Genetic Algorithms） | 第18-19页 |
| 1．5．5 粗集（Rough Set）方法 | 第19页 |
| 1．5．6 覆盖正例、排斥反例方法 | 第19页 |
| 1．5．7 概念树方法 | 第19页 |
| 1．5．8 公式发现 | 第19-20页 |
| 1．5．9 模糊论方法 | 第20页 |
| 1．5．10 可视化技术 | 第20页 |
| 1．6 数据挖掘面临的问题 | 第20-22页 |
| 2 药物研发的一般过程及数据挖掘在其中的作用 | 第22-32页 |
| 2．1 新药研发概况 | 第22-25页 |
| 2．1．1 组合化学（Combinatorial chemistry） | 第23-24页 |
| 2．1．2 高通量筛选（high throughput screening） | 第24页 |
| 2．1．3 生物芯片（Biochip） | 第24-25页 |
| 2．2 数据挖掘在药物开发中的作用 | 第25-32页 |
| 2．2．1 定量结构活性关系研究 | 第26-32页 |
| 3 化学数据挖掘系统的实现 | 第32-48页 |
| 3．1 化学数据挖掘系统的运行环境及开发工具 | 第32-33页 |
| 3．1．1 化学数据挖掘系统的开发平台 | 第32页 |
| 3．1．2 化学数据挖掘系统的开发工具 | 第32-33页 |
| 3．2 化学数据挖掘系统的设计与实现 | 第33-48页 |
| 3．2．1 化学数据挖掘系统的总体结构 | 第33-34页 |
| 3．2．2 数据挖掘模块的实现 | 第34-42页 |
| 3．2．2．1 聚类分析模块 | 第34-38页 |
| 3．2．2．2 BP神经网络 | 第38-42页 |
| 3．2．3 可视化模块的实现 | 第42-48页 |
| 4 化学数据挖掘系统在药物发现中的应用 | 第48-60页 |
| 4．1 系统界面简介 | 第48页 |
| 4．2 数据来源及预处理 | 第48-51页 |
| 4．2．1 数据来源 | 第48-49页 |
| 4．2．2 数据预处理 | 第49-51页 |
| 4．3 聚类分析法的应用 | 第51-54页 |
| 4．3．1 聚类处理 | 第52-53页 |
| 4．3．2 结果讨论 | 第53-54页 |
| 4．4 神经网络的应用 | 第54-60页 |
| 4．4．1 数据的准备 | 第54-55页 |
| 4．4．2 预报结果处理 | 第55页 |
| 4．4．3 学习及验证结果记录 | 第55-58页 |
| 4．4．4 结果讨论 | 第58-60页 |
| 5 海量化学生物学信息的分布式并行处理技术 | 第60-68页 |
| 5．1 概述 | 第60-61页 |
| 5．2 分布式多线程并行处理的实现技术 | 第61-62页 |
| 5．3 并行化程序的实现技术 | 第62-63页 |
| 5．4 多线程编程实现技术 | 第63-64页 |
| 5．5 运算程序的并行化处理效率 | 第64-68页 |
| 6 结论与展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 附录A S-E聚类谱系图 | 第74-75页 |
| 附录B S-M聚类谱系图 | 第75-76页 |
| 附录C S-r聚类谱系图 | 第76-77页 |
| 附录D C-E聚类谱系图 | 第77-78页 |
| 附录E C-M聚类谱系图 | 第78-79页 |
| 附录F C-r聚类谱系图 | 第79-80页 |
| 附录G A-E聚类谱系图 | 第80-81页 |
| 附录H A-M聚类谱系图 | 第81-82页 |
| 附录I A-r聚类谱系图 | 第82页 |
