| 摘要 | 第15-18页 |
| ABSTRACT | 第18-20页 |
| 第一章 绪论 | 第21-39页 |
| 1.1 研究背景及意义 | 第21-23页 |
| 1.2 研究现状 | 第23-24页 |
| 1.3 基于机器学习的蛋白质功能预测 | 第24-35页 |
| 1.3.1 数据集的构建 | 第24-25页 |
| 1.3.2 特征提取 | 第25-28页 |
| 1.3.3 特征选择 | 第28-30页 |
| 1.3.4 预测算法 | 第30-33页 |
| 1.3.5 模型检验与评价 | 第33-35页 |
| 1.4 主要研究内容 | 第35-37页 |
| 1.5 论文组织结构 | 第37-39页 |
| 第二章 基于Stacking方法的噬菌体病毒蛋白预测 | 第39-57页 |
| 2.1 引言 | 第39-40页 |
| 2.2 数据与方法 | 第40-46页 |
| 2.2.1 数据集 | 第40-41页 |
| 2.2.2 氨基酸组成、转换和分布 | 第41-42页 |
| 2.2.3 Bi-profile Bayes | 第42-43页 |
| 2.2.4 伪氨基酸组成 | 第43-44页 |
| 2.2.5 位置特异性打分矩阵 | 第44页 |
| 2.2.6 特征选择 | 第44-45页 |
| 2.2.7 集成学习方法 | 第45-46页 |
| 2.3 结果与讨论 | 第46-54页 |
| 2.3.1 单一特征空间的预测性能 | 第46-49页 |
| 2.3.2 特征选择结果 | 第49-51页 |
| 2.3.3 集成学习方法的预测性能分析 | 第51-53页 |
| 2.3.4 特征选择对Stacking方法预测性能的影响 | 第53-54页 |
| 2.3.5 与现有方法的预测性能比较 | 第54页 |
| 2.4 本章小结 | 第54-57页 |
| 第三章 基于分类器选择策略的抗氧蛋白预测 | 第57-69页 |
| 3.1 引言 | 第57-59页 |
| 3.2 数据与方法 | 第59-62页 |
| 3.2.1 数据集 | 第59页 |
| 3.2.2 二级结构信息 | 第59-60页 |
| 3.2.3 位置特异性打分矩阵 | 第60页 |
| 3.2.4 相对可溶性 | 第60-61页 |
| 3.2.5 氨基酸组成、转换和分布 | 第61页 |
| 3.2.6 特征选择 | 第61页 |
| 3.2.7 分类器选择策略 | 第61-62页 |
| 3.3 结果与讨论 | 第62-68页 |
| 3.3.1 基分类器的预测性能比较 | 第62-63页 |
| 3.3.2 集成分类器的预测性能比较 | 第63-64页 |
| 3.3.3 集成分类器与基分类器的预测性能比较 | 第64-65页 |
| 3.3.4 特征选择结果 | 第65页 |
| 3.3.5 特征选择对集成分类器预测性能的影响 | 第65-66页 |
| 3.3.6 最优特征分析 | 第66-67页 |
| 3.3.7 与现有方法的预测性能比较 | 第67-68页 |
| 3.3.8 网络服务器 | 第68页 |
| 3.4 本章小结 | 第68-69页 |
| 第四章 基于分类器融合策略的抗血管生成肤预测 | 第69-79页 |
| 4.1 引言 | 第69-71页 |
| 4.2 数据与方法 | 第71-73页 |
| 4.2.1 数据集 | 第71页 |
| 4.2.2 Bi-profile Bayes | 第71页 |
| 4.2.3 氨基酸组成、转换和分布 | 第71-72页 |
| 4.2.4 离散傅里叶变换 | 第72页 |
| 4.2.5 分类器融合策略 | 第72-73页 |
| 4.3 结果与讨论 | 第73-77页 |
| 4.3.1 不同特征空间的基分类器预测性能分析 | 第73-74页 |
| 4.3.2 不同特征空间的集成分类器预测性能分析 | 第74-75页 |
| 4.3.3 特征选择结果 | 第75-77页 |
| 4.3.4 与现有方法的预测性能比较 | 第77页 |
| 4.4 本章小结 | 第77-79页 |
| 第五章 基于欠采样方法的J蛋白类型预测 | 第79-93页 |
| 5.1 引言 | 第79-81页 |
| 5.2 数据与方法 | 第81-85页 |
| 5.2.1 数据集 | 第81页 |
| 5.2.2 分段氨基酸组成 | 第81-82页 |
| 5.2.3 伪氨基酸组成 | 第82页 |
| 5.2.4 位置特异性打分矩阵 | 第82-83页 |
| 5.2.5 特征选择 | 第83-84页 |
| 5.2.6 集成学习方法 | 第84-85页 |
| 5.2.7 性能评估 | 第85页 |
| 5.3 结果与讨论 | 第85-92页 |
| 5.3.1 单一特征空间的最优参数 | 第85-87页 |
| 5.3.2 不同特征空间的预测性能分析 | 第87-88页 |
| 5.3.3 集成分类器和基分类器的预测性能比较 | 第88-89页 |
| 5.3.4 特征选择结果 | 第89页 |
| 5.3.5 特征选择对集成分类器预测性能的影响 | 第89-90页 |
| 5.3.6 最优特征分析 | 第90-91页 |
| 5.3.7 与现有方法的预测性能比较 | 第91-92页 |
| 5.4 本章小结 | 第92-93页 |
| 第六章 基于少数类过采样算法的芋螺毒素离子通道类型预测 | 第93-105页 |
| 6.1 引言 | 第93-95页 |
| 6.2 数据与方法 | 第95-97页 |
| 6.2.1 数据集 | 第95页 |
| 6.2.2 氨基酸组成、转换和分布 | 第95页 |
| 6.2.3 g间隔二肽组成 | 第95-96页 |
| 6.2.4 理化属性 | 第96页 |
| 6.2.5 二级结构信息 | 第96页 |
| 6.2.6 少数类过采样算法 | 第96-97页 |
| 6.3 结果与讨论 | 第97-103页 |
| 6.3.1 单一特征空间的最优参数 | 第97-99页 |
| 6.3.2 单一特征空间的预测性能分析 | 第99-100页 |
| 6.3.3 组合特征空间的预测性能分析 | 第100页 |
| 6.3.4 特征选择结果 | 第100-101页 |
| 6.3.5 最优特征分析 | 第101-102页 |
| 6.3.6 在训练集上与现有方法的预测性能比较 | 第102-103页 |
| 6.3.7 在独立测试集上与现有方法的预测性能比较 | 第103页 |
| 6.4 本章小结 | 第103-105页 |
| 第七章 基于多源特征提取和集成学习的蛋白质-适配体相互作用预测 | 第105-117页 |
| 7.1 引言 | 第105-106页 |
| 7.2 数据与方法 | 第106-111页 |
| 7.2.1 数据集 | 第106页 |
| 7.2.2 伪K元组核苷酸组成 | 第106-108页 |
| 7.2.3 离散余弦变换 | 第108页 |
| 7.2.4 二元位置特异性打分矩阵 | 第108-109页 |
| 7.2.5 无序区域信息 | 第109页 |
| 7.2.6 集成学习方法 | 第109-111页 |
| 7.2.7 性能评估 | 第111页 |
| 7.3 结果与讨论 | 第111-115页 |
| 7.3.1 不同特征空间的预测性能分析 | 第111-112页 |
| 7.3.2 集成学习方法的有效性 | 第112页 |
| 7.3.3 特征选择结果 | 第112-113页 |
| 7.3.4 最优特征分析 | 第113-114页 |
| 7.3.5 与现有方法的预测性能比较 | 第114-115页 |
| 7.3.6 实例分析 | 第115页 |
| 7.4 本章小结 | 第115-117页 |
| 第八章 总结与展望 | 第117-121页 |
| 8.1 总结 | 第117-119页 |
| 8.2 展望 | 第119-121页 |
| 参考文献 | 第121-137页 |
| 致谢 | 第137-139页 |
| 攻读博士学位期间发表的论文 | 第139-141页 |
| 攻读博士学位期间参与的科研项目 | 第141-142页 |
| 附件 | 第142-165页 |
| 学位论文评阅及答辩情况表 | 第165页 |
