| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状以及存在的问题 | 第10-12页 |
| 1.2.1 国内外研究现状 | 第10-11页 |
| 1.2.2 国内外研究存在的问题 | 第11-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 本文章节组织 | 第12-15页 |
| 第二章 相关技术综述 | 第15-31页 |
| 2.1 蛋白质结构简介 | 第15-17页 |
| 2.1.1 蛋白质一级结构 | 第16-17页 |
| 2.1.2 蛋白质二级结构 | 第17页 |
| 2.1.3 蛋白质三级结构和四级结构 | 第17页 |
| 2.2 蛋白质结构预测相关概念 | 第17-22页 |
| 2.3 蛋白质序列特征编码方法 | 第22-23页 |
| 2.4 常用预测算法 | 第23-26页 |
| 2.4.1 Chou-Fasman方法 | 第23-24页 |
| 2.4.2 GOR方法 | 第24-26页 |
| 2.4.3 机器学习算法 | 第26页 |
| 2.5 深度学习模型 | 第26-31页 |
| 2.5.1 深度学习背景 | 第27-29页 |
| 2.5.2 深度学习在生物信息学中的应用现状 | 第29-31页 |
| 第三章 蛋白质二级结构预测模型总体框架 | 第31-35页 |
| 3.1 设计方案概述 | 第31-32页 |
| 3.2 实验数据与处理 | 第32-33页 |
| 3.3 蛋白质序列的向量化 | 第33页 |
| 3.4 蛋白质二级结构预测 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于深度学习的蛋白质二级结构预测模型 | 第35-55页 |
| 4.1 基于深度学习的缘由 | 第35页 |
| 4.2 蛋白质序列编码 | 第35-41页 |
| 4.2.1 数据预处理模块 | 第35-37页 |
| 4.2.2 蛋白质序列向量化过程(word2vec) | 第37-41页 |
| 4.3 预测模型及算法 | 第41-53页 |
| 4.3.1 长短期记忆神经网络阶段(LSTM) | 第41-46页 |
| 4.3.2 条件随机场(CRF) | 第46-49页 |
| 4.3.3 反向传播算法 | 第49-53页 |
| 4.3.4 实验用到的框架以及参数选择 | 第53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 实验结果及分析 | 第55-61页 |
| 5.1 实验环境 | 第55页 |
| 5.2 测试数据集和评价标准 | 第55-56页 |
| 5.3 实验结果及分析 | 第56-61页 |
| 5.3.1 不同向量化模型对实验精度的影响 | 第56-57页 |
| 5.3.2 不同预测模型对实验精度的影响 | 第57-59页 |
| 5.3.3 不同超参数设置对实验的影响 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 发表论文和科研情况说明 | 第67-69页 |
| 致谢 | 第69-70页 |