| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景 | 第10页 |
| 1.2 研究目的及意义 | 第10-12页 |
| 1.3 国内外相关技术发展现状 | 第12-14页 |
| 1.3.1 生物序列特征提取研究现状 | 第12-13页 |
| 1.3.2 生物序列分析中机器学习研究现状 | 第13-14页 |
| 1.3.3 生物序列分析系统研究现状 | 第14页 |
| 1.4 本文的主要研究内容和内容安排 | 第14-17页 |
| 1.4.1 主要研究内容 | 第14-16页 |
| 1.4.2 本文内容安排 | 第16-17页 |
| 第2章 基于机器学习的生物序列分析问题研究 | 第17-34页 |
| 2.1 引言 | 第17页 |
| 2.2 生物序列特征提取 | 第17-27页 |
| 2.2.1 基本成分组成类特征提取方法 | 第20-22页 |
| 2.2.2 自相关类特征提取方法 | 第22-23页 |
| 2.2.3 伪成分组成类特征提取方法 | 第23-24页 |
| 2.2.4 结构相关类特征提取方法 | 第24-26页 |
| 2.2.5 频率谱类特征提取方法 | 第26-27页 |
| 2.3 基于机器学习方法构造分类器 | 第27-31页 |
| 2.3.1 支持向量机 | 第28-29页 |
| 2.3.2 集成学习 | 第29-30页 |
| 2.3.3 基于证据理论的K近邻算法 | 第30页 |
| 2.3.4 协变判别式算法 | 第30-31页 |
| 2.4 分类器性能评估 | 第31-33页 |
| 2.4.1 交叉验证 | 第31-32页 |
| 2.4.2 自助法 | 第32页 |
| 2.4.3 评价指标 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于机器学习的生物序列分析实验 | 第34-55页 |
| 3.1 引言 | 第34页 |
| 3.2 基于多特征融合的DNASEI超敏感位点识别方法 | 第34-41页 |
| 3.2.1 DNaseI超敏感位点数据集 | 第35页 |
| 3.2.2 多特征融合方法 | 第35-40页 |
| 3.2.3 交叉验证及评价指标 | 第40-41页 |
| 3.2.4 实验结果与分析 | 第41页 |
| 3.3 基于多类特征集成的微小RNA前体识别方法 | 第41-47页 |
| 3.3.1 微小RNA前体数据集 | 第42页 |
| 3.3.2 基于序列与二级结构的集成方法 | 第42-46页 |
| 3.3.3 交叉验证及评价指标 | 第46-47页 |
| 3.3.4 实验结果与分析 | 第47页 |
| 3.4 基于集成学习的DNA结合蛋白识别方法 | 第47-54页 |
| 3.4.1 DNA结合蛋白数据集 | 第47-48页 |
| 3.4.2 基于频率谱与序列信息结合的方法 | 第48-53页 |
| 3.4.3 集成学习策略 | 第53页 |
| 3.4.4 交叉验证及评价指标 | 第53页 |
| 3.4.5 实验结果分析 | 第53-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第4章 基于机器学习的生物序列分析平台实现 | 第55-65页 |
| 4.1 引言 | 第55页 |
| 4.2 生物序列分析平台实现意义 | 第55-56页 |
| 4.3 生物序列分析平台实现流程 | 第56-61页 |
| 4.3.1 生物序列特征提取 | 第56-58页 |
| 4.3.2 基于机器学习方法构造分类器 | 第58-60页 |
| 4.3.3 分类器性能评估 | 第60-61页 |
| 4.4 生物序列分析平台使用说明 | 第61-64页 |
| 4.4.1 在线服务器使用说明 | 第61-62页 |
| 4.4.2 单机工具包使用说明 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-76页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第76-78页 |
| 致谢 | 第78页 |