| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-30页 |
| 1.1 机器学习方法与生物信息学 | 第12页 |
| 1.2 基于机器学习方法的RNA二级结构研究 | 第12-13页 |
| 1.3 本文使用的若干生物信息学软件包与机器学习方法 | 第13-16页 |
| 1.3.1 生物信息学软件包 | 第13-14页 |
| 1.3.2 机器学习方法 | 第14-16页 |
| 1.4 关于RNA的研究 | 第16-17页 |
| 1.5 研究意义 | 第17-18页 |
| 1.5.1 RNA二级结构预测研究意义 | 第18页 |
| 1.5.2 MIRNA靶基因预测研究意义 | 第18页 |
| 1.6 研究历史与现状 | 第18-21页 |
| 1.6.1 RNA二级结构预测研究历史与现状 | 第18-20页 |
| 1.6.2 MIRNA靶基因预测研究历史与现状 | 第20-21页 |
| 1.7 本文使用的数据集 | 第21-26页 |
| 1.8 本文研究内容 | 第26-30页 |
| 第2章 基于单序列最小自由能结构的RNA保守二级结构预测 | 第30-52页 |
| 2.1 RNA分子二级结构预测研究现状 | 第30-40页 |
| 2.1.1 RNA分子二级结构预测算法 | 第30-32页 |
| 2.1.2 RNA分子二级结构若干种表示法 | 第32-40页 |
| 2.2 粗糙集方法在RNA二级结构预测中的应用 | 第40-46页 |
| 2.2.1 基于粗糙集的RNA二级结构预测算法 | 第40-46页 |
| 2.2.3 粗糙集方法的优势与不足 | 第46页 |
| 2.3 茎公共程度法预测RNA保守二级结构 | 第46-52页 |
| 2.3.1 算法流程图 | 第46页 |
| 2.3.2 茎的公共程度属性 | 第46页 |
| 2.3.3 实验结果 | 第46-52页 |
| 第3章 SVM方法在RNA保守二级结构预测中的应用 | 第52-76页 |
| 3.1 最小自由能与次优自由能二级结构构成的备选碱基对空间 | 第52页 |
| 3.2 算法流程 | 第52-53页 |
| 3.3 茎子结构单元的若干属性特征提取 | 第53-57页 |
| 3.4 SVM分类器的训练与分类 | 第57-62页 |
| 3.5 实验结果一 | 第62-63页 |
| 3.6 实验结果二 | 第63-67页 |
| 3.7 讨论 | 第67-76页 |
| 第4章 MIRNA靶点杂交模式研究 | 第76-96页 |
| 4.1 MIRNA靶位点预测研究现状 | 第76-80页 |
| 4.2 MIRNA靶位点模式特征的定性分析 | 第80-84页 |
| 4.2.1 匹配模式度量指标 | 第80-81页 |
| 4.2.2 数据处理流程图 | 第81-82页 |
| 4.2.3 度量指标分布规律 | 第82-84页 |
| 4.3 MIRNA靶位点模式特征的马尔可夫模型定量分析 | 第84-96页 |
| 4.3.1 MIRNA靶点表示法 | 第84-85页 |
| 4.3.2 模型的构建 | 第85-87页 |
| 4.3.3 模型的训练 | 第87-91页 |
| 4.3.4 阈值的选取 | 第91-93页 |
| 4.3.5 MIRNA靶点碱基对匹配模式 | 第93页 |
| 4.3.6 使用6种匹配模式评估候选靶点 | 第93-95页 |
| 4.3.7 结论 | 第95-96页 |
| 第5章 贝叶斯网络方法在MIRNA靶位预测中的应用 | 第96-118页 |
| 5.1 数据结构 | 第99-102页 |
| 5.2 贝叶斯网络方法 | 第102-103页 |
| 5.3 模型设计 | 第103-106页 |
| 5.4 模型的学习算法 | 第106-109页 |
| 5.5 预测结果 | 第109-111页 |
| 5.6 机器学习算法在MIRNA靶预测领域的应用 | 第111-118页 |
| 第6章 结论 | 第118-120页 |
| 参考文献 | 第120-126页 |
| 致谢 | 第126-128页 |
| 攻读博士学位期间完成的工作 | 第128-130页 |
| 作者简介 | 第130页 |
