基于深度学习的采样技术在蛋白质结构预测中运用
| 摘要 | 第1-5页 |
| Abstract | 第5-12页 |
| 第一章 引言 | 第12-19页 |
| ·研究背景 | 第12-15页 |
| ·蛋白质结构预测 | 第12-14页 |
| ·采样和带约束的采样 | 第14页 |
| ·深度学习的应用 | 第14-15页 |
| ·研究内容 | 第15-16页 |
| ·研究意义 | 第16-17页 |
| ·本文组织结构 | 第17-19页 |
| 第二章 蛋白质结构预测中的采样技术 | 第19-32页 |
| ·结构预测与采样 | 第19-25页 |
| ·蛋白质结构 | 第19-23页 |
| ·蛋白质结构的计算表达 | 第23-24页 |
| ·采样和能量函数 | 第24-25页 |
| ·Rosetta采样 | 第25-26页 |
| ·两个主要阶段 | 第25-26页 |
| ·蒙特卡罗最小化 | 第26页 |
| ·I-TASSER采样 | 第26-28页 |
| ·I-TASSER中蛋白质构象的表达 | 第26-27页 |
| ·构象的采样 | 第27-28页 |
| ·副本交换蒙特卡罗(REMC) | 第28页 |
| ·QUARK采样 | 第28-31页 |
| ·QUARK对自由度的改进 | 第29-30页 |
| ·QUARK对构象采样的改进 | 第30-31页 |
| ·其它方面的改进 | 第31页 |
| ·本章小结 | 第31-32页 |
| 第三章 基于CNN的蛋白质结构打分函数 | 第32-48页 |
| ·卷积神经网络 | 第32-35页 |
| ·稀疏连接 | 第32-33页 |
| ·权值共享 | 第33-34页 |
| ·CNN网络结构 | 第34-35页 |
| ·材料与方法 | 第35-41页 |
| ·GDT-Score | 第35页 |
| ·数据集 | 第35-38页 |
| ·模型和训练 | 第38-41页 |
| ·实验结果分析 | 第41-46页 |
| ·超参数选择实验 | 第41-44页 |
| ·GDT-Score预测实验 | 第44-46页 |
| ·本章小结 | 第46-48页 |
| 第四章 基于距离约束的HMC采样 | 第48-67页 |
| ·HMC采样 | 第48-51页 |
| ·Hamiltonian动力学 | 第49页 |
| ·Leap-Frog算法 | 第49页 |
| ·Metropolis判定 | 第49-50页 |
| ·在蛋白质结构预测中的运用 | 第50-51页 |
| ·距离约束 | 第51页 |
| ·材料与方法 | 第51-58页 |
| ·数据准备 | 第51-53页 |
| ·模型构建 | 第53-55页 |
| ·实验流程 | 第55-58页 |
| ·实验结果与分析 | 第58-65页 |
| ·残基对优化 | 第58-62页 |
| ·结构优化 | 第62-65页 |
| ·结果讨论 | 第65页 |
| ·本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| ·工作总结 | 第67页 |
| ·研究展望 | 第67-69页 |
| 参考文献 | 第69-78页 |
| 发表文章目录及科研项目 | 第78-79页 |
| 致谢 | 第79-80页 |
