| 符号说明 | 第1-10页 |
| 中文摘要 | 第10-13页 |
| ABSTRACT | 第13-17页 |
| 引言 | 第17-21页 |
| 第一部分：文献综述 | 第21-51页 |
| 第1 章数量性状主基因检测方法的研究进展 | 第21-36页 |
| ·数量性状遗传研究进展 | 第22-24页 |
| ·数量性状主基因的研究现状 | 第24-26页 |
| ·数量性状主基因+多基因混合遗传模型的形成与发展 | 第24-25页 |
| ·对数量性状主基因遗传现象的认识 | 第25-26页 |
| ·数量性状主基因的研究意义和应用前景 | 第26-27页 |
| ·数量性状主基因的研究意义 | 第26页 |
| ·数量性状主基因的应用前景 | 第26-27页 |
| ·数量性状主基因的检测方法 | 第27-31页 |
| ·偏离正态分布检测法 | 第27-28页 |
| ·主基因指数法（MAJOR GENE INDEX, MGI） | 第28页 |
| ·分离分析法（SEGREGATION ANALYSIS, SA） | 第28-29页 |
| ·连锁分析法（LINKAGE ANALYSIS） | 第29-30页 |
| ·候选基因法（CANDIDATE GENE APPROACH） | 第30-31页 |
| ·检测数量性状主基因的分离分析方法 | 第31-36页 |
| ·分离分析法的理论基础 | 第31页 |
| ·分离分析法的研究进展 | 第31-33页 |
| ·极大似然估计方法和EM 算法 | 第33-34页 |
| ·极大似然估计方法（Maximum Likelihood Method） | 第33页 |
| ·EM 算法（Expectation-Maximization Algorithm） | 第33-34页 |
| ·似然比检验（LIKELIHOOD RATIO TEST, LRT） | 第34-36页 |
| 第2 章基于DNA 微阵列数据的基因聚类方法 | 第36-51页 |
| ·非监督聚类（UNSUPERVISED CLUSTERING） | 第38-44页 |
| ·系统聚类（HIERARCHICAL CLUSTERING） | 第38-39页 |
| ·K-MEANS 聚类 | 第39-40页 |
| ·主成分分析（PRINCIPAL COMPONENTS ANALYSIS, PCA） | 第40-41页 |
| ·模糊聚类（FUZZY CLUSTERING） | 第41-42页 |
| ·自组织图（SELF-ORGANIZING MAPS, SOMS） | 第42-43页 |
| ·双向聚类（TWO-WAY CLUSTERING） | 第43-44页 |
| ·偶联双向聚类（Coupled Two-way Clustering, CTWC） | 第44页 |
| ·相关双向聚类（Interrelated Two-way Clustering） | 第44页 |
| ·监督聚类（SUPERVISED CLUSTERING） | 第44-47页 |
| ·简单监督聚类法 | 第45-46页 |
| ·复杂监督聚类法 | 第46-47页 |
| ·logistic 回归 | 第46页 |
| ·支持向量机器（Support Vector Machines, SVMs） | 第46-47页 |
| ·人工神经网络（Artificial Neural Network, ANN） | 第47页 |
| ·基于模型的聚类方法 | 第47-49页 |
| ·基于混合模型聚类（MIXTURE MODEL-BASED CLUSTERING） | 第48-49页 |
| ·基于隐马尔可夫模型聚类（HIDDEN MARKOV MODEL-BASED CLUSTERING,HMM-BASED CLUSTERING） | 第49页 |
| ·展望 | 第49-51页 |
| 第二部分：研究报告 | 第51-106页 |
| 第3 章相关数量性状主基因的多元分离分析方法 | 第51-75页 |
| ·原理和方法 | 第53-59页 |
| ·多个相关数量性状的统计遗传模型 | 第53-54页 |
| ·多个相关数量性状主基因的多元分离分析 | 第54-57页 |
| ·参数估计和遗传假设测验 | 第57-58页 |
| ·遗传假设和参数估计 | 第57-58页 |
| ·遗传假设测验 | 第58页 |
| ·一因多效与紧密连锁 | 第58-59页 |
| ·模拟研究 | 第59-70页 |
| ·模拟研究A | 第59-62页 |
| ·模拟实验设置和考察指标 | 第59-60页 |
| ·模拟结果 | 第60-62页 |
| ·主基因的检测功效 | 第60-62页 |
| ·主基因效应的准确度和精确度 | 第62页 |
| ·模拟研究B | 第62-70页 |
| ·模拟实验设置和考察指标 | 第68页 |
| ·模拟结果 | 第68-70页 |
| ·实例分析 | 第70-72页 |
| ·讨论 | 第72-74页 |
| ·结论 | 第74-75页 |
| 第4 章一种基于似然极大的动态聚类方法及其应用 | 第75-87页 |
| ·原理和方法 | 第77-79页 |
| ·数据模式和似然函数 | 第77-78页 |
| ·参数的极大似然估计 | 第78-79页 |
| ·个体分类的贝叶斯后验概率判别 | 第79页 |
| ·最佳聚类个数的评判 | 第79页 |
| ·模拟研究 | 第79-83页 |
| ·模拟设置和考察指标 | 第80页 |
| ·算法的收敛性 | 第80页 |
| ·最佳分类个数的确定 | 第80-82页 |
| ·不同判别标准对误判率的影响 | 第82页 |
| ·不同聚类方法的比较 | 第82-83页 |
| ·应用实例 | 第83-85页 |
| ·实例验证 | 第83-84页 |
| ·实例分析 | 第84-85页 |
| ·讨论 | 第85-86页 |
| ·结论 | 第86-87页 |
| 第5 章微阵列表达谱监督聚类方法的比较研究 | 第87-106页 |
| ·代表性监督聚类方法 | 第89-96页 |
| ·基于高斯混合模型的监督聚类（GAUSSIAN MIXTURE MODEL-BASED SUPERVISED CLUSTERING, GMM） | 第89-91页 |
| ·GMM-I | 第90-91页 |
| ·GMM-II | 第91页 |
| ·K-最近邻居法（K-NEAREST-NEIGHBOR, KNN） | 第91-92页 |
| ·支持向量机器（SUPPORT VECTOR MACHINES, SVMS） | 第92-96页 |
| ·二分类SVMs | 第92页 |
| ·多分类SVMs（Multicategory Support Vector Machines, MC-SVMs） | 第92-96页 |
| ·分类模型的评估 | 第96-97页 |
| ·模拟数据分析和实例分析 | 第97-103页 |
| ·模拟数据分析 | 第97-101页 |
| ·模拟设置和考察指标 | 第97-98页 |
| ·模拟结果 | 第98-101页 |
| ·实例分析 | 第101-103页 |
| ·酵母细胞周期微阵列数据 | 第101-103页 |
| ·NCI-60 微阵列数据 | 第103页 |
| ·讨论 | 第103-104页 |
| ·结论 | 第104-106页 |
| 继续研究的设想 | 第106-107页 |
| 参考文献 | 第107-117页 |
| 致谢 | 第117-118页 |
| 博士期间发表的研究论文 | 第118页 |
