| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究现状 | 第9-16页 |
| 1.2.1 伪氨基酸（PseAAC）和伪核苷酸（PseKNC） | 第9-10页 |
| 1.2.2 蛋白质亚细胞定位多标签预测器 | 第10-12页 |
| 1.2.3 蛋白质可视化方法 | 第12页 |
| 1.2.4 在细胞网络中预测药物-靶标的相互作用 | 第12-14页 |
| 1.2.5 信号肽预测 | 第14页 |
| 1.2.6 蛋白质翻译后修饰预测 | 第14-15页 |
| 1.2.7 基因组分析预测 | 第15-16页 |
| 1.3 本文的研究创新点及意义 | 第16-17页 |
| 1.4 本文内容安排 | 第17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 特征提取方法与分类算法 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 特征提取方法 | 第18-29页 |
| 2.2.1 基于氨基酸组成和位置的特征提取方法 | 第19-22页 |
| 2.2.2 基于氨基酸物理化学属性的特征提取方法 | 第22-28页 |
| 2.2.3 基于蛋白质序列演化信息（Sequential Evolution Information，SEI）的特征提取方法 | 第28-29页 |
| 2.2.4 氨基酸序列特征提取方法中存在的问题 | 第29页 |
| 2.3 本章小结 | 第29-30页 |
| 3 蛋白质序列功能分类算法及评估 | 第30-35页 |
| 3.1 引言 | 第30页 |
| 3.2 基于机器学习的分类算法 | 第30-32页 |
| 3.2.1 模糊K最近邻（Fuzzy K-Nearest Neighbor，FKNN） | 第30-31页 |
| 3.2.2 支持向量机（Support Vector Machine，SVM） | 第31-32页 |
| 3.2.3 随机森林（Random Forest，RF） | 第32页 |
| 3.3 模型的校验与评估 | 第32-34页 |
| 3.3.1 模型的校验 | 第32-33页 |
| 3.3.2 模型的评估 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于灰色理论预测酶的催化位点模型 | 第35-48页 |
| 4.1 引言 | 第35-36页 |
| 4.2 数据集建立 | 第36-38页 |
| 4.3 蛋白质序列表示 | 第38-42页 |
| 4.4 预测分类算法 | 第42-43页 |
| 4.5 结果与讨论 | 第43-46页 |
| 4.6 在线预测器的使用方法 | 第46-47页 |
| 4.7 本章小结 | 第47-48页 |
| 5 DNA绑定蛋白质识别预测器的设计 | 第48-54页 |
| 5.1 引言 | 第48-49页 |
| 5.2 数据集的建立 | 第49页 |
| 5.3 特征提取 | 第49-51页 |
| 5.4 预测分类算法 | 第51-52页 |
| 5.5 结果与讨论 | 第52页 |
| 5.6 本章小结 | 第52-54页 |
| 6 抗冻蛋白质识别预测研究 | 第54-59页 |
| 6.1 引言 | 第54页 |
| 6.2 数据集的建立 | 第54页 |
| 6.3 蛋白质样本的特征提取方法 | 第54-55页 |
| 6.4 预测分类算法 | 第55-56页 |
| 6.5 模型评估与结果比较 | 第56页 |
| 6.6 在线预测器的使用方法 | 第56-58页 |
| 6.7 本章小结 | 第58-59页 |
| 7 总结与展望 | 第59-60页 |
| 7.1 总结 | 第59页 |
| 7.2 研究展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-68页 |
| 攻读硕士学位期间参与的项目和成果 | 第68页 |
