| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 宏基因组与人体健康 | 第11页 |
| 1.2 宏基因组数据 | 第11-13页 |
| 1.2.1 基于标签序列测序的数据 | 第11-13页 |
| 1.2.2 基于全基因组测序的数据 | 第13页 |
| 1.3 宏基因组学的生物信息分析方法 | 第13-17页 |
| 1.3.1 宏基因组测序数据的分装 | 第14-15页 |
| 1.3.2 宏基因组测序数据的比较与分类 | 第15-17页 |
| 1.3.3 宏基因组数据基因功能注释 | 第17页 |
| 1.4 模式识别与机器学习在宏基因组样本分类中的应用 | 第17-18页 |
| 1.5 研究内容及意义 | 第18-21页 |
| 1.5.1 研究内容 | 第18-19页 |
| 1.5.2 研究意义 | 第19页 |
| 1.5.3 论文结构 | 第19-21页 |
| 第二章 用于宏基因组测序数据分析的序列特征 | 第21-27页 |
| 2.1 绪论 | 第21页 |
| 2.2 序列统计特征 | 第21-22页 |
| 2.3 序列几何模型 | 第22-23页 |
| 2.4 寡核苷酸内关联度特征(ICO)及其物种分辨能力 | 第23-26页 |
| 2.4.1 原理及计算方法 | 第24页 |
| 2.4.2 ICO特征的有效性 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于ICO特征的宏基因组样本分类算法 | 第27-43页 |
| 3.1 引言 | 第27-28页 |
| 3.2 方法与数据 | 第28-32页 |
| 3.2.1 算法原理 | 第28-29页 |
| 3.2.2 动态的KPLS特征筛选算法 | 第29-30页 |
| 3.2.3 实验数据集 | 第30-32页 |
| 3.3 结果与讨论 | 第32-40页 |
| 3.3.1 使用ICO特征进行样本特征化可以获得更好的分类准确率 | 第32-36页 |
| 3.3.2 动态的KPLS特征筛选算法可以提高分类性能 | 第36-38页 |
| 3.3.3 DectICO算法与RSVM算法在样本分类准确率上的比较 | 第38-40页 |
| 3.4 本章小结 | 第40-43页 |
| 第四章 基于自比对的宏基因组样本分类方法 | 第43-53页 |
| 4.1 引言 | 第43页 |
| 4.2 ICO方法的计算复杂度分析 | 第43-44页 |
| 4.3 基于自比对数据库完成分类的设想 | 第44-45页 |
| 4.4 方法与数据 | 第45-48页 |
| 4.4.1 自比对数据库 | 第45页 |
| 4.4.2 样本的分类匹配得分(Match Score) | 第45-46页 |
| 4.4.3 contig的独立性统计得分(Indendent Score) | 第46-47页 |
| 4.4.4 算法实现步骤 | 第47-48页 |
| 4.4.5 数据集 | 第48页 |
| 4.5 结果与讨论 | 第48-52页 |
| 4.5.1 以样本的分类匹配得分为特征能够反应样本之间的差异 | 第48-50页 |
| 4.5.2 通过contig的独立性统计得分对自比对数据库进行优化 | 第50-51页 |
| 4.5.3 自比对分类法应用于t2d数据集有更好的分类准确率 | 第51-52页 |
| 4.6 小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 附录A:模拟数据集中使用的微生物信息 | 第55-57页 |
| 附录B:t2d数据集详细信息 | 第57-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73页 |
