基于多组学数据对长链非编码RNAs的功能注释
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 引言 | 第9-11页 |
| 1 机器学习在基因功能预测中的应用 | 第11-19页 |
| 1.1 基因功能注释 | 第11-12页 |
| 1.2 机器学习方法简介 | 第12-14页 |
| 1.2.1 多示例多标记学习 | 第13页 |
| 1.2.2 训练集、验证集、测试集 | 第13页 |
| 1.2.3 分类器评价指标 | 第13-14页 |
| 1.3 支持向量机简介 | 第14-17页 |
| 1.4 不平衡数据的分类问题 | 第17-19页 |
| 1.4.1 数据不平衡问题 | 第17-18页 |
| 1.4.2 数据不平衡问题的处理 | 第18-19页 |
| 2 研究方法 | 第19-30页 |
| 2.1 数据来源 | 第19页 |
| 2.2 数据预处理 | 第19-21页 |
| 2.2.1 共表达网络的构建 | 第19-20页 |
| 2.2.2 表观遗传修饰-基因网络的构建 | 第20页 |
| 2.2.3 转录因子-靶基因网络的构建 | 第20-21页 |
| 2.2.4 对训练数据集的预处理 | 第21页 |
| 2.3 特征提取和特征选择 | 第21-23页 |
| 2.3.1 χ~2检验法 | 第22-23页 |
| 2.3.2 t检验法 | 第23页 |
| 2.3.3 数据集的特征选择 | 第23页 |
| 2.4 集成欠抽样的SVM算法 | 第23-27页 |
| 2.4.1 基于SVM的功能预测算法流程 | 第23-26页 |
| 2.4.2 SVM的概率输出以及结果集成 | 第26-27页 |
| 2.5 本研究的软件工具 | 第27页 |
| 2.6 本论文研究中的难点 | 第27-30页 |
| 3 实验及预测结果 | 第30-44页 |
| 3.1 基因网络信息 | 第30-31页 |
| 3.1.1 共表达网络 | 第30-31页 |
| 3.1.2 表观遗传修饰-基因网络 | 第31页 |
| 3.1.3 转录因子-靶基因网络 | 第31页 |
| 3.2 对训练集的重抽样 | 第31-34页 |
| 3.3 预测模型结果 | 第34-44页 |
| 3.3.1 模型预测性能评价 | 第34-37页 |
| 3.3.2 不同GO功能预测效果分析 | 第37-41页 |
| 3.3.3 LncRNA功能预测结果 | 第41-44页 |
| 4 讨论 | 第44-47页 |
| 4.1 方法学评价 | 第44页 |
| 4.2 算法性能评价 | 第44-45页 |
| 4.3 LncRNA的功能预测评价 | 第45-47页 |
| 5 结论 | 第47-48页 |
| 5.1 研究结论 | 第47页 |
| 5.2 展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 附录A GO功能分析列表 | 第51-53页 |
| 附录B 综述 | 第53-66页 |
| 参考文献（References） | 第62-66页 |
| 在学研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
