| 摘要 | 第11-14页 |
| ABSTRACT | 第14-18页 |
| 第一章 绪论 | 第19-35页 |
| 1.1 课题的研究背景及意义 | 第19-21页 |
| 1.2 分子生物学建模研究现状 | 第21-23页 |
| 1.3 蛋白质功能预测研究现状 | 第23-31页 |
| 1.3.1 蛋白质功能预测计算方法简介 | 第23-27页 |
| 1.3.2 机器学习方法预测蛋白质功能的一些典型问题 | 第27-31页 |
| 1.4 主要研究内容 | 第31-33页 |
| 1.5 论文结构 | 第33-35页 |
| 第二章 三碱基密码子复平面模型及其函数关系 | 第35-43页 |
| 2.1 引言 | 第35-36页 |
| 2.2 基于群论的三碱基密码子数学模型 | 第36-38页 |
| 2.2.1 复平面上群模型的定义 | 第36-38页 |
| 2.2.2 三碱基密码子与群元素的对应关系 | 第38页 |
| 2.3 三碱基密码子群模型分析及应用 | 第38-42页 |
| 2.4 本章小结 | 第42-43页 |
| 第三章 DNA计算求解哈密尔顿路径问题的元间模型 | 第43-53页 |
| 3.1 引言 | 第43-44页 |
| 3.2 预备知识 | 第44-46页 |
| 3.3 DNA计算的元间模型实现 | 第46-51页 |
| 3.4 仿真与结果 | 第51-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于集成学习算法的蛋白质类别预测 | 第53-83页 |
| 4.1 引言 | 第53-55页 |
| 4.2 细胞外基质蛋白预测系统 | 第55-64页 |
| 4.2.1 数据集 | 第56-57页 |
| 4.2.2 特征提取 | 第57-61页 |
| 4.2.3 特征选择 | 第61-62页 |
| 4.2.4 随机森林算法 | 第62-63页 |
| 4.2.5 集成方法 | 第63页 |
| 4.2.6 性能评估 | 第63-64页 |
| 4.3 细胞外基质蛋白预测结果与讨论 | 第64-71页 |
| 4.3.1 最优特征集合 | 第64-66页 |
| 4.3.2 特征选择方法的有效性 | 第66页 |
| 4.3.3 不平衡数据对预测性能的影响 | 第66-68页 |
| 4.3.4 集成方法的有效性 | 第68页 |
| 4.3.5 各种机器学习算法的预测性能 | 第68页 |
| 4.3.6 IECMP与现有方法的预测性能比较 | 第68-70页 |
| 4.3.7 网络服务器 | 第70-71页 |
| 4.4 抗冻蛋白预测系统 | 第71-76页 |
| 4.4.1 数据集 | 第72页 |
| 4.4.2 序列组成 | 第72-73页 |
| 4.4.3 理化属性 | 第73-74页 |
| 4.4.4 无序区域信息 | 第74页 |
| 4.4.5 功能域信息 | 第74页 |
| 4.4.6 进化信息 | 第74页 |
| 4.4.7 集成学习方法 | 第74-75页 |
| 4.4.8 方差分析 | 第75-76页 |
| 4.4.9 性能评估 | 第76页 |
| 4.5 抗冻蛋白预测结果与讨论 | 第76-80页 |
| 4.5.1 G的取值对预测性能的影响 | 第76页 |
| 4.5.2 特征选择结果及其分析 | 第76-77页 |
| 4.5.3 最优特征分析 | 第77-79页 |
| 4.5.4 集成学习结果及其分析 | 第79页 |
| 4.5.5 数据集规模对预测性能的影响 | 第79-80页 |
| 4.5.6 在独立测试数据集上与现有方法比较 | 第80页 |
| 4.6 本章小结 | 第80-83页 |
| 第五章 基于共空间模式的高尔基体蛋白类型预测 | 第83-99页 |
| 5.1 引言 | 第83-85页 |
| 5.2 数据与方法 | 第85-90页 |
| 5.2.1 数据集 | 第85-86页 |
| 5.2.2 g-间隔二肽组成 | 第86页 |
| 5.2.3 提取进化特征的传统方法 | 第86-88页 |
| 5.2.4 基于共空间模式的进化特征提取方法 | 第88-89页 |
| 5.2.5 少数类过采样算法 | 第89页 |
| 5.2.6 随机森林-递归特征删除方法 | 第89页 |
| 5.2.7 性能评估 | 第89-90页 |
| 5.3 结果与讨论 | 第90-97页 |
| 5.3.1 氨基酸组成分析 | 第90-91页 |
| 5.3.2 参数g对预测性能的影响 | 第91-92页 |
| 5.3.3 共空间模式方法的有效性 | 第92-93页 |
| 5.3.4 组合特征的预测性能 | 第93-94页 |
| 5.3.5 少数类过采样算法的有效性 | 第94-95页 |
| 5.3.6 特征选择结果及其分析 | 第95-96页 |
| 5.3.7 与现有其它方法的预测性能比较 | 第96-97页 |
| 5.4 本章小结 | 第97-99页 |
| 第六章 基于多种特征提取策略的蛋白质结合位点预测 | 第99-115页 |
| 6.1 引言 | 第99-101页 |
| 6.2 数据与方法 | 第101-104页 |
| 6.2.1 数据集 | 第101页 |
| 6.2.2 Bi-profile Bayes | 第101-102页 |
| 6.2.3 Weight Amino Acid Composition | 第102页 |
| 6.2.4 相对可溶性 | 第102页 |
| 6.2.5 Smoothed PSSM | 第102-103页 |
| 6.2.6 Relief算法 | 第103-104页 |
| 6.2.7 性能评估 | 第104页 |
| 6.3 结果与讨论 | 第104-113页 |
| 6.3.1 滑动窗口长度对Smoothed PSSM预测性能的影响 | 第104-106页 |
| 6.3.2 Smoothed PSSM与PSSM的预测性能比较 | 第106页 |
| 6.3.3 序列特征分析 | 第106-109页 |
| 6.3.4 单一特征的预测性能 | 第109-110页 |
| 6.3.5 组合特征的预测性能 | 第110-111页 |
| 6.3.6 特征选择结果 | 第111页 |
| 6.3.7 最优特征分析 | 第111-112页 |
| 6.3.8 与现有其它方法的预测性能比较 | 第112-113页 |
| 6.4 本章小结 | 第113-115页 |
| 第七章 提取蛋白质进化特征的网络服务器 | 第115-121页 |
| 7.1 引言 | 第115-116页 |
| 7.2 材料与方法 | 第116-118页 |
| 7.2.1 PSSM Composition | 第116-117页 |
| 7.2.2 Pseudo PSSM | 第117-118页 |
| 7.2.3 Bi(Tri)-gram PSSM | 第118页 |
| 7.3 网络服务器 | 第118-119页 |
| 7.4 本章小结 | 第119-121页 |
| 第八章 总结与展望 | 第121-125页 |
| 8.1 总结 | 第121-122页 |
| 8.2 展望 | 第122-125页 |
| 参考文献 | 第125-149页 |
| 致谢 | 第149-151页 |
| 攻读博士学位期间完成的论文 | 第151-153页 |
| 攻读博士学位期间参与的科研项目 | 第153-154页 |
| 学位论文评阅及答辩情况表 | 第154页 |
