| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究的背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 小外显子研究现状 | 第12-13页 |
| 1.2.2 迁移学习研究现状 | 第13-17页 |
| 1.3 课题研究的内容与目标 | 第17页 |
| 1.4 本文的主要工作和章节安排 | 第17-19页 |
| 第2章 小外显子特征分析 | 第19-30页 |
| 2.1 概述 | 第19-24页 |
| 2.1.1 小外显子简介 | 第19-20页 |
| 2.1.2 小外显子对基因和蛋白的影响 | 第20-23页 |
| 2.1.3 micro-indel对基因和蛋白的影响 | 第23-24页 |
| 2.2 小外显子的核苷酸序列水平特征提取 | 第24-25页 |
| 2.3 小外显子的蛋白水平特征提取 | 第25-27页 |
| 2.4 基于K-means聚类算法的小外显子特征选择 | 第27页 |
| 2.4.1 K-means聚类算法原理 | 第27页 |
| 2.4.2 基于K-means聚类算法的特征选择过程 | 第27页 |
| 2.5 小外显子特征选择结果及分析 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于迁移学习的小外显子特征空间转换 | 第30-37页 |
| 3.1 功能性小外显子预测中存在的问题 | 第30页 |
| 3.2 迁移学习的概述 | 第30-31页 |
| 3.3 基于迁移学习的小外显子特征空间转换 | 第31-36页 |
| 3.3.1 最小化P(?th和P(?th的距离 | 第32-34页 |
| 3.3.2 保留源域和目标域数据特性 | 第34-35页 |
| 3.3.3 迁移学习后特征空间分析 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 功能性小外显子识别中源域模型的构建 | 第37-45页 |
| 4.1 支持向量机原理 | 第37-40页 |
| 4.2 基于SVM的micro-indel模型构建 | 第40-41页 |
| 4.3 模型参数的调试 | 第41-42页 |
| 4.4 源域中micro-indel模型结果分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 功能性小外显子识别中目标域模型的构建 | 第45-50页 |
| 5.1 基于迁移学习的功能性小外显子预测模型的构建 | 第45-46页 |
| 5.2 分类模型对小外显子的预测 | 第46页 |
| 5.3 分类模型对小外显子样本的预测结果分析 | 第46-48页 |
| 5.4 小外显子识别模型预测结果的实例论证 | 第48-49页 |
| 5.5 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 附录一 详细特征列表 | 第51-52页 |
| 参考文献 | 第52-59页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第59-60页 |
| 致谢 | 第60页 |
