| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-35页 |
| 1.1 课题背景和意义 | 第14-17页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究的目的与意义 | 第15-17页 |
| 1.2 相关生物学背景 | 第17-22页 |
| 1.2.1 基因的转录调控 | 第18-19页 |
| 1.2.2 microRNA | 第19-20页 |
| 1.2.3 lncRNA | 第20-22页 |
| 1.3 研究现状 | 第22-32页 |
| 1.3.1 基于序列数据的预测方法 | 第22-27页 |
| 1.3.2 基于基因表达数据的预测方法 | 第27-28页 |
| 1.3.3 基于 ChIP-Seq 数据的预测方法 | 第28-32页 |
| 1.4 所存在主要问题 | 第32-33页 |
| 1.5 本文主要研究内容 | 第33-35页 |
| 第2章 基于基因组功能注释的高通量数据正则化方法 | 第35-50页 |
| 2.1 引言 | 第35-36页 |
| 2.2 现有 ChIP-Seq 高通量数据主要正则化方法 | 第36-39页 |
| 2.2.1 TMR 正则化方法及其不足 | 第37页 |
| 2.2.2 LOWESS 正则化方法及其不足 | 第37-39页 |
| 2.3 基于基因组功能注释的数据正则化方法 | 第39-44页 |
| 2.3.1 ChIP-Seq 数据在基因组不同区间中分布差异 | 第39-40页 |
| 2.3.2 基于基因组功能注释的 LOWESS 正则化方法 | 第40-44页 |
| 2.4 正则化方法结果与分析 | 第44-49页 |
| 2.4.1 基于乳腺癌数据的正则化结果比较 | 第44-47页 |
| 2.4.2 与传统 LOWESS 正则化方法结果比较 | 第47-49页 |
| 2.5 本章小结 | 第49-50页 |
| 第3章 基于 PolII 高通量数据的转录调控网络预测与功能分析 | 第50-73页 |
| 3.1 引言 | 第50-51页 |
| 3.2 基于 PolII 数据的转录调控预测方法 | 第51-59页 |
| 3.2.1 作为新的转录调控预测数据源的 PolII 高通量数据 | 第51-52页 |
| 3.2.2 潜在调控 TFs 的建模与预测 | 第52-55页 |
| 3.2.3 基于 stepwise 回归模型的调控 TFs 预测 | 第55-57页 |
| 3.2.4 基于综合显著性的 TFs 交互网络构建 | 第57-59页 |
| 3.3 基于 PolII 数据和基因表达数据的调控预测比较 | 第59-64页 |
| 3.3.1 MCF7 与 OHT 细胞中转录模式差异比较 | 第60-61页 |
| 3.3.2 基于 PolII 数据和基因表达数据的差异基因富集比较 | 第61-63页 |
| 3.3.3 基于 PolII 数据和基因表达数据的 TFs 调控预测比较 | 第63-64页 |
| 3.4 乳腺癌细胞中转录调控预测结果与分析 | 第64-72页 |
| 3.4.1 调控强度较低的重要 TFs 的识别 | 第64-65页 |
| 3.4.2 同一 TF 不同 motif 的调控角色 | 第65-67页 |
| 3.4.3 基于综合显著性识别的转录因子互作 | 第67-69页 |
| 3.4.4 识别调控 TFs 及交互网络的验证与分析 | 第69-72页 |
| 3.5 本章小结 | 第72-73页 |
| 第4章 具有馈环结构的转录调控网络构建方法 | 第73-94页 |
| 4.1 引言 | 第73-74页 |
| 4.2 基于 PolII 数据识别活动启动子区的方法 | 第74-80页 |
| 4.2.1 构建启动子区域中 PolII 结合模型 | 第74-78页 |
| 4.2.2 microRNA 启动子预测 | 第78-80页 |
| 4.3 STAT1 及其协作因子对 microRNA 的转录调控识别 | 第80-83页 |
| 4.3.1 STAT1 转录共调控子的预测模型 | 第80-82页 |
| 4.3.2 STAT1 及其转录共调控子对 microRNA 调控的预测 | 第82-83页 |
| 4.4 靶基因的预测 | 第83-84页 |
| 4.5 HeLa 细胞中复杂转录调控预测结果与分析 | 第84-90页 |
| 4.5.1 microRNA 启动子调控区间的识别 | 第84-87页 |
| 4.5.2 STAT1 协作转录因子的识别 | 第87-90页 |
| 4.6 构建具有馈环结构的转录调控网络 | 第90-93页 |
| 4.6.1 识别的反馈环调控结构 | 第90-92页 |
| 4.6.2 识别的前馈环调控结构 | 第92-93页 |
| 4.7 本章小结 | 第93-94页 |
| 第5章 基于多数据融合的 TF-lncRNA 转录调控预测方法 | 第94-120页 |
| 5.1 引言 | 第94-95页 |
| 5.2 预测模型的多类型特征 | 第95-103页 |
| 5.2.1 PWM 序列特征 | 第95-97页 |
| 5.2.2 组蛋白修饰特征 | 第97-99页 |
| 5.2.3 染色质结构特征 | 第99页 |
| 5.2.4 基于结构特征的 TF 样本 | 第99-101页 |
| 5.2.5 模型训练样本集的构建 | 第101-103页 |
| 5.3 基于朴素贝叶斯框架的转录因子结合预测模型 | 第103-113页 |
| 5.3.1 朴素贝叶斯框架 | 第103-105页 |
| 5.3.2 多数据类型特征的建模 | 第105-106页 |
| 5.3.3 基于多证据的朴素贝叶斯 TFs 结合预测模型 | 第106-111页 |
| 5.3.4 预测模型参数训练 | 第111-113页 |
| 5.4 TF-lncRNA 转录调控预测结果与分析 | 第113-119页 |
| 5.4.1 基因与 lncRNA 中 TFs 结合模式的比较 | 第113-114页 |
| 5.4.2 具有相应特征数据 TFs 的模型预测结果 | 第114-116页 |
| 5.4.3 缺乏相应特征数据 TFs 的模型预测结果 | 第116-117页 |
| 5.4.4 组织特异性特征对预测影响的分析 | 第117-119页 |
| 5.5 本章小结 | 第119-120页 |
| 结论 | 第120-122页 |
| 参考文献 | 第122-136页 |
| 攻读博士学位期间发表的论文及其它成果 | 第136-138页 |
| 致谢 | 第138-139页 |
| 个人简历 | 第139页 |
