| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 基于网络拓扑结构的算法 | 第11-12页 |
| 1.2.2 基于机器学习的算法 | 第12-13页 |
| 1.2.3 国内外研究现状简析 | 第13页 |
| 1.3 本文的主要研究内容 | 第13-15页 |
| 1.3.1 课题内容及研究方案 | 第13-14页 |
| 1.3.2 研究方案的创新点 | 第14-15页 |
| 1.4 论文章节安排 | 第15-17页 |
| 第2章 MIRNAS-疾病关联关系预测方法介绍 | 第17-27页 |
| 2.1 引言 | 第17-18页 |
| 2.2 基于网络拓扑结构的可重启的随机游走算法RWRMDA | 第18-20页 |
| 2.2.1 方法介绍 | 第18-19页 |
| 2.2.2 优点与不足 | 第19-20页 |
| 2.3 JIANG的基于SVM的机器学习算法 | 第20-22页 |
| 2.3.1 方法介绍 | 第20-21页 |
| 2.3.2 优点与不足 | 第21-22页 |
| 2.4 半监督学习方法RLSMDA | 第22-25页 |
| 2.4.1 方法介绍 | 第22-24页 |
| 2.4.2 优点与不足 | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 基于序列的MIRNAS功能相似度计算模型与数据材料整合 | 第27-32页 |
| 3.1 引言 | 第27页 |
| 3.2 MIRNAS-疾病关联预测相似度网络与关联网络构建 | 第27-30页 |
| 3.2.1 数据材料及来源 | 第27页 |
| 3.2.2 基于序列的miRNAs功能相似度计算模型 | 第27-28页 |
| 3.2.3 基于MeSH的疾病语义相似度计算模型 | 第28-29页 |
| 3.2.4 miRNAs-疾病关联网络 | 第29页 |
| 3.2.5 数据整合 | 第29-30页 |
| 3.3 实验验证 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于PU-LEARNING的算法模型AIWC | 第32-40页 |
| 4.1 引言 | 第32页 |
| 4.2 特征提取 | 第32-33页 |
| 4.3 算法原理 | 第33-35页 |
| 4.3.1 一种2-步带权PU-learning分类器 | 第33-34页 |
| 4.3.2 AIWC算法 | 第34-35页 |
| 4.4 实验结果与分析 | 第35-38页 |
| 4.4.1 模拟数据实验 | 第35-37页 |
| 4.4.2 生物数据实验 | 第37-38页 |
| 4.5 本章小结 | 第38-40页 |
| 第5章 基于矩阵分解和迭代最小二乘的MIRNAS-疾病关联关系预测算法 | 第40-50页 |
| 5.1 引言 | 第40-41页 |
| 5.2 LMFMDA算法 | 第41-45页 |
| 5.2.1 损失函数 | 第41-42页 |
| 5.2.2 优化过程 | 第42页 |
| 5.2.3 预测方法与分析 | 第42页 |
| 5.2.4 算法细节 | 第42-43页 |
| 5.2.5 复杂度分析 | 第43-45页 |
| 5.3 实验结果与分析 | 第45-48页 |
| 5.3.1 评价指标 | 第45页 |
| 5.3.2 实验参数 | 第45页 |
| 5.3.3 结果评价 | 第45-46页 |
| 5.3.4 特定疾病结果分析 | 第46-47页 |
| 5.3.5 常数维模型讨论 | 第47-48页 |
| 5.4 本章小结 | 第48-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第55-57页 |
| 致谢 | 第57页 |
