细菌必需基因特征分析及其分类预测研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 引言 | 第9-11页 |
| 1.1.1 分子生物学 | 第9-10页 |
| 1.1.2 生物信息学及其研究内容 | 第10-11页 |
| 1.2 课题研究背景 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.3.1 实验方法测定必需基因 | 第12-13页 |
| 1.3.2 理论预测必需基因 | 第13-14页 |
| 1.4 本文的主要研究方法和组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 必需基因的特征及其选择 | 第16-38页 |
| 2.1 基因必需性与特征 | 第16-21页 |
| 2.1.1 基因序列特征 | 第17页 |
| 2.1.2 氨基酸特征 | 第17-18页 |
| 2.1.3 密码子偏性特征 | 第18-19页 |
| 2.1.4 蛋白质亚细胞定位特征 | 第19-20页 |
| 2.1.5 氨基酸跨膜特征 | 第20-21页 |
| 2.1.6 氨基酸理化特性 | 第21页 |
| 2.2 基因HURST指数特征分析 | 第21-29页 |
| 2.2.1 数据获取 | 第22-23页 |
| 2.2.2 数据分析过程 | 第23-24页 |
| 2.2.3 结果及讨论 | 第24-29页 |
| 2.3 特征选择算法及LASSO | 第29-37页 |
| 2.3.1 数据获取 | 第30-31页 |
| 2.3.2 材料与方法 | 第31-34页 |
| 2.3.3 特征选择 | 第34-35页 |
| 2.3.4 结果分析及讨论 | 第35-37页 |
| 2.4 本章小结 | 第37-38页 |
| 3 基于支持向量机的必需基因预测 | 第38-56页 |
| 3.1 支持向量机 | 第38-41页 |
| 3.1.1 统计学习理论 | 第38页 |
| 3.1.2 线性支持向量机 | 第38-39页 |
| 3.1.3 非线性支持向量机 | 第39-41页 |
| 3.2 不平衡学习 | 第41-43页 |
| 3.2.1 数据层面处理不平衡数据 | 第42-43页 |
| 3.2.2 算法层面处理不平衡数据 | 第43页 |
| 3.3 预测评价方法 | 第43-45页 |
| 3.4 支持向量机预测必需基因 | 第45-55页 |
| 3.4.1 数据准备及预处理 | 第45-46页 |
| 3.4.2 模型构建及核参数选择 | 第46-47页 |
| 3.4.3 预测结果 | 第47-53页 |
| 3.4.4 结果分析及讨论 | 第53-55页 |
| 3.5 本章小结 | 第55-56页 |
| 4 集成学习方法预测必需基因 | 第56-65页 |
| 4.1 集成学习技术 | 第56-57页 |
| 4.2 集成学习的主要算法 | 第57-59页 |
| 4.2.1 Bagging算法 | 第57-58页 |
| 4.2.2 Boosting算法 | 第58-59页 |
| 4.3 模型构建 | 第59-61页 |
| 4.3.1 训练集划分集成方法 | 第59-60页 |
| 4.3.2 多类型分类器集成方法 | 第60-61页 |
| 4.4 结果分析与讨论 | 第61-64页 |
| 4.4.1 训练集划分集成学习预测 | 第61页 |
| 4.4.2 多分类器集成分类结果 | 第61-64页 |
| 4.5 本章小结 | 第64-65页 |
| 5 工作总结及展望 | 第65-67页 |
| 5.1 工作总结 | 第65-66页 |
| 5.2 研究展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 附录 | 第74页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第74页 |
| B. 作者在攻读硕士学位期间参加的科研项目 | 第74页 |
