| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 引言 | 第7-8页 |
| 1.2 抗菌肽的研究背景和研究意义 | 第8-11页 |
| 1.2.1 最小抑制浓度的概念 | 第9-10页 |
| 1.2.2 抗菌肽最小抑制浓度的研究背景、意义和现状 | 第10-11页 |
| 1.3 论文的内容结构安排 | 第11-12页 |
| 2 抗菌肽序列的氨基酸统计特征与分析 | 第12-31页 |
| 2.1 概述 | 第12-13页 |
| 2.2 抗菌肽序列的单氨基酸频率与分析 | 第13-14页 |
| 2.3 抗菌肽序列的二联体氨基酸频率与分析 | 第14-21页 |
| 2.4 抗菌肽序列的三联体氨基酸频率与分析 | 第21-26页 |
| 2.5 灰色伪氨基酸成分 | 第26-27页 |
| 2.6 序列编码复杂度伪成分 | 第27-29页 |
| 2.7 其它的序列统计特征表示方法 | 第29-31页 |
| 3 常用的氨基酸序列特征提取方法 | 第31-38页 |
| 3.1 概述 | 第31页 |
| 3.2 基于氨基酸序列组成提取特征 | 第31-32页 |
| 3.3 基于氨基酸物理化学属性提取特征 | 第32-35页 |
| 3.3.1 自相关函数 | 第33页 |
| 3.3.2 伪氨基酸组成 | 第33-35页 |
| 3.4 基于数据库的特征提取方法 | 第35-36页 |
| 3.4.1 位置特异性得分矩阵 | 第35-36页 |
| 3.4.2 功能结构域法 | 第36页 |
| 3.4.3 基因本体论 | 第36页 |
| 3.5 氨基酸序列特征提取中存在的问题 | 第36-38页 |
| 4 生物信息学回归预测和模型的校验与评估 | 第38-45页 |
| 4.1 概述 | 第38页 |
| 4.2 线性回归 | 第38-39页 |
| 4.3 非线性回归 | 第39页 |
| 4.4 虚拟变量回归 | 第39页 |
| 4.5 基于机器学习的回归估计 | 第39-42页 |
| 4.5.1 支持向量机 | 第41页 |
| 4.5.2 随机森林 | 第41-42页 |
| 4.5.3 高斯核函数回归 | 第42页 |
| 4.6 回归预测结果的评估 | 第42-43页 |
| 4.7 回归模型的检验 | 第43-45页 |
| 5 抗菌肽最小抑制浓度预测研究 | 第45-59页 |
| 5.1 概述 | 第45页 |
| 5.2 抗菌肽数据库 | 第45-49页 |
| 5.2.1 综合抗菌肽数据库 | 第45-48页 |
| 5.2.2 专业抗菌肽数据库 | 第48-49页 |
| 5.3 抑制大肠杆菌活性的抗菌肽最小抑制浓度预测研究 | 第49-55页 |
| 5.3.1 构建数据集 | 第49-50页 |
| 5.3.2 基于抗菌肽序列信息的特征提取 | 第50-51页 |
| 5.3.3 对抑制大肠杆菌活性的抗菌肽MIC预测和检验评估 | 第51-55页 |
| 5.4 抑制金黄色葡萄球菌活性的抗菌肽最小抑制浓度预测研究 | 第55-59页 |
| 5.4.1 数据集的建立 | 第56页 |
| 5.4.2 提取抗菌肽序列信息的特征 | 第56-57页 |
| 5.4.3 对抑制金黄色葡萄球菌活性的抗菌肽MIC预测和检验评估 | 第57-59页 |
| 6 总结与展望 | 第59-60页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间参与的项目和发表的论文 | 第65页 |
