| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第14-23页 |
| 1.1 引言 | 第14-16页 |
| 1.2 蛋白质相互作用及作用位点概述 | 第16-18页 |
| 1.2.1 蛋白质相互作用及其功能 | 第16-17页 |
| 1.2.2 蛋白质相互作用位点 | 第17页 |
| 1.2.3 蛋白质相互作用位点的研究方法 | 第17-18页 |
| 1.3 蛋白质亚细胞定位及预测概述 | 第18-20页 |
| 1.3.1 亚细胞结构 | 第18-19页 |
| 1.3.2 蛋白质亚细胞定位以及功能 | 第19-20页 |
| 1.3.3 蛋白质亚细胞定位的研究方法 | 第20页 |
| 1.4 主要研究内容与创新点 | 第20-22页 |
| 1.5 内容安排 | 第22-23页 |
| 2 基于序列的蛋白质相互作用位点(PPIs)预测方法 | 第23-31页 |
| 2.1 引言 | 第23页 |
| 2.2 基准数据集 | 第23-24页 |
| 2.3 评价指标 | 第24-25页 |
| 2.4 特征表示 | 第25-26页 |
| 2.5 已有的相关研究 | 第26-27页 |
| 2.6 PPIs预测中的类别不平衡以及处理方法 | 第27-30页 |
| 2.6.1 上采样方法 | 第28-29页 |
| 2.6.2 下采样方法 | 第29-30页 |
| 2.7 本章小结 | 第30-31页 |
| 3 基于二分类不平衡数据预清洗及后过滤处理的PPIs预测 | 第31-44页 |
| 3.1 引言 | 第31页 |
| 3.2 特征提取 | 第31-33页 |
| 3.2.1 位置特异性得分矩阵(PSSM) | 第31-32页 |
| 3.2.2 平均累积亲水性(ACH) | 第32-33页 |
| 3.2.3 预测得到的相对溶剂可及性(PRSA) | 第33页 |
| 3.3 数据清洗过程 | 第33-36页 |
| 3.4 训练基于随机森林的PPIs预测器 | 第36-37页 |
| 3.5 后过滤(PF)处理过程 | 第37-38页 |
| 3.6 实验结果与讨论 | 第38-43页 |
| 3.6.1 特征重要性分析 | 第38-39页 |
| 3.6.2 数据清洗以及后过滤的有效性验证 | 第39-40页 |
| 3.6.3 所用方法和现有的PPIs预测器在交叉验证实验结果上的比较 | 第40-41页 |
| 3.6.4 所用方法和现有的PPIs预测器在独立验证实验上的结果比较 | 第41-43页 |
| 3.7 本章小结 | 第43-44页 |
| 4 基于多普勒效应蝙蝠聚类下采样算法的PPIs预测 | 第44-62页 |
| 4.1 引言 | 第44页 |
| 4.2 蝙蝠算法 | 第44-45页 |
| 4.3 基于多普勒效应的蝙蝠算法 | 第45-47页 |
| 4.3.1 蝙蝠的多普勒效应 | 第45-46页 |
| 4.3.2 多普勒效应蝙蝠算法 | 第46-47页 |
| 4.4 多普勒效应蝙蝠算法性能分析与比较 | 第47-51页 |
| 4.4.1 多普勒效应蝙蝠算法(DEBA)与粒子群算法(PSO)的对比 | 第47-49页 |
| 4.4.2 多普勒效应蝙蝠算法(DEBA)和原始蝙蝠算法(BA)算法的比较 | 第49-51页 |
| 4.5 基于多普勒效应蝙蝠算法的空间聚类下采样 | 第51-55页 |
| 4.5.1 相似度系数 | 第52-53页 |
| 4.5.2 多普勒效应蝙蝠聚类下采样算法 | 第53-55页 |
| 4.6 基于多普勒效应蝙蝠聚类下采样算法的PPIs预测模型 | 第55-56页 |
| 4.7 实验与讨论 | 第56-61页 |
| 4.7.1 基于多普勒效应蝙蝠聚类下采样算法预测PPIs的有效性验证 | 第56-58页 |
| 4.7.2 所用方法与已有的PPIs预测器的比较 | 第58-61页 |
| 4.8 本章小结 | 第61-62页 |
| 5 基于图像的蛋白质亚细胞定位多类别预测研究 | 第62-97页 |
| 5.1 引言 | 第62-63页 |
| 5.2 基于图像的蛋白质亚细胞定位相关研究 | 第63页 |
| 5.3 基准数据集 | 第63-66页 |
| 5.3.1 训练集 | 第65-66页 |
| 5.3.2 独立测试集 | 第66页 |
| 5.4 免疫组化(IHC)图像中的蛋白质和DNA分割技术 | 第66-71页 |
| 5.4.1 免疫组织化学与免疫组化图像 | 第66-67页 |
| 5.4.2 图像分割技术 | 第67-68页 |
| 5.4.3 两种常用的颜色空间 | 第68-69页 |
| 5.4.4 IHC图像的线性颜色分离技术 | 第69-71页 |
| 5.5 蛋白质亚细胞图像多视角纹理特征的提取 | 第71-82页 |
| 5.5.1 原始IHC图像的纹理特征 | 第71-77页 |
| 5.5.2 图像颜色分割后的全局特征 | 第77-79页 |
| 5.5.3 局部纹理特征 | 第79-81页 |
| 5.5.4 特征选择 | 第81-82页 |
| 5.5.5 多特征融合 | 第82页 |
| 5.6 分类器 | 第82-85页 |
| 5.6.1 栈式自动编码器(SAE) | 第83-84页 |
| 5.6.2 栈式自动编码器与随机森林相结合的分类器(SAE-RF) | 第84-85页 |
| 5.7 系统算法流程图 | 第85页 |
| 5.8 实验结果和讨论 | 第85-95页 |
| 5.8.1 单个特征集的性能比较 | 第86-88页 |
| 5.8.2 多特征融合的性能比较 | 第88-91页 |
| 5.8.3 特征选择后的性能比较 | 第91-92页 |
| 5.8.4 SAE-RF分类器与线性支持向量机(linSVM)分类器的比较 | 第92-94页 |
| 5.8.5 提出的预测系统与已有的基于图像的亚细胞定位预测方法的比较 | 第94-95页 |
| 5.9 本章小结 | 第95-97页 |
| 6 总结与展望 | 第97-100页 |
| 6.1 本文工作总结 | 第97-98页 |
| 6.2 研究展望 | 第98-100页 |
| 致谢 | 第100-101页 |
| 参考文献 | 第101-113页 |
| 附录 | 第113页 |
