| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 1 绪论 | 第11-25页 |
| ·蛋白质结构预测研究的背景和应用 | 第11-13页 |
| ·蛋白质结构预测研究的现状 | 第13-22页 |
| ·DNA 序列预处理 | 第13-14页 |
| ·蛋白质二级结构预测 | 第14-20页 |
| ·蛋白质关联图预测 | 第20-22页 |
| ·主要研究内容和创新点 | 第22-25页 |
| 2 相关研究基础 | 第25-43页 |
| ·生物信息学 | 第25-32页 |
| ·生物信息学概念 | 第25-27页 |
| ·生物信息学的研究内容 | 第27-30页 |
| ·生物信息学的研究意义 | 第30-31页 |
| ·生物信息学研究面临的挑战 | 第31-32页 |
| ·蛋白质结构层次 | 第32-40页 |
| ·蛋白质分子组成 | 第32-34页 |
| ·蛋白质分子的层次结构 | 第34-40页 |
| ·蛋白质二级结构预测 | 第40-41页 |
| ·蛋白质二级结构预测原理 | 第40页 |
| ·蛋白质二级结构预测尚待解决的问题 | 第40-41页 |
| ·蛋白质关联图预测原理 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 3 融合智能检测的 DNA 序列预处理方法 | 第43-55页 |
| ·引言 | 第43页 |
| ·DNA 序列预处理 | 第43-45页 |
| ·低质量区域清除 | 第45-46页 |
| ·双序列联配 | 第46-47页 |
| ·载体序列和污染清除 | 第47-48页 |
| ·载体序列过滤 | 第48-50页 |
| ·局部敏感散列 | 第48-49页 |
| ·载体序列过滤算法 | 第49-50页 |
| ·载体片段检测 | 第50-52页 |
| ·应用实例 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 4 用于蛋白质预测的改进型动态隧道神经网络算法 | 第55-71页 |
| ·引言 | 第55页 |
| ·蛋白质结构预测 | 第55-56页 |
| ·动态隧道方法求全局最优化问题 | 第56-59页 |
| ·动态隧道系统 | 第56-57页 |
| ·动态隧道技术训练BP 网络算法 | 第57-59页 |
| ·改进型动态隧道算法 | 第59-62页 |
| ·传统动态隧道算法的缺陷 | 第59页 |
| ·改进型动态隧道算法(IDTA) | 第59-61页 |
| ·改进型动态隧道神经网络算法 | 第61-62页 |
| ·预测模型 | 第62-66页 |
| ·蛋白质8 态－3 态转换算法 | 第62-64页 |
| ·滑动窗口技术 | 第64-66页 |
| ·蛋白质二级结构预测 | 第66页 |
| ·应用实例 | 第66-68页 |
| ·试验分析 | 第68-69页 |
| ·算法结果对比分析 | 第68-69页 |
| ·算法时间复杂度分析 | 第69页 |
| ·本章小结 | 第69-71页 |
| 5 蛋白质二级结构的协同训练预测方法 | 第71-85页 |
| ·引言 | 第71页 |
| ·相关算法基础 | 第71-75页 |
| ·协同训练原理 | 第71-74页 |
| ·主动选择原理 | 第74-75页 |
| ·疏水性和 Profile 特征空间 | 第75-77页 |
| ·疏水性特征空间 | 第75-76页 |
| ·Profile 特征空间 | 第76-77页 |
| ·Co-training 算法 | 第77-83页 |
| ·Profile 和疏水性特征二级结构预测分析 | 第77-81页 |
| ·蛋白质二级结构预测的Co- training 算法 | 第81-83页 |
| ·实验结果 | 第83-84页 |
| ·Co- Training 实验结果 | 第83页 |
| ·Charge(x)实验结果 | 第83-84页 |
| ·本章小结 | 第84-85页 |
| 6 基于马尔科夫逻辑网的蛋白质关联图预测研究 | 第85-115页 |
| ·关联图预测概述 | 第85-86页 |
| ·Markov 逻辑网相关理论 | 第86-97页 |
| ·Markov 逻辑网概念 | 第86-87页 |
| ·Markov 逻辑网中的一阶逻辑知识库 | 第87-88页 |
| ·闭Markov 逻辑网 | 第88-91页 |
| ·Markov 逻辑网算法 | 第91-94页 |
| ·Alchemy 简介 | 第94-97页 |
| ·蛋白质关联图预测问题的 Markov 逻辑表示 | 第97-106页 |
| ·蛋白质序列的局部划分 | 第97-99页 |
| ·针对α螺旋的关联预测 | 第99-102页 |
| ·针对β折叠的关联预测 | 第102-106页 |
| ·关联图预测数据集 | 第106页 |
| ·实验数据集 | 第106-108页 |
| ·模型 | 第108-109页 |
| ·实验方法 | 第109-110页 |
| ·结果分析 | 第110-114页 |
| ·关联预测衡量标准 | 第110-111页 |
| ·针对α-螺旋的关联预测结果分析 | 第111-112页 |
| ·针对β折叠的关联预测结果分析 | 第112-113页 |
| ·综合关联预测结果分析 | 第113-114页 |
| ·与其他算法预测结果对比分析 | 第114页 |
| ·实验结果分析 | 第114页 |
| ·本章小结 | 第114-115页 |
| 7 总结与展望 | 第115-117页 |
| 致谢 | 第117-119页 |
| 参考文献 | 第119-127页 |
| 附录 | 第127页 |
| A 作者在攻读学位期间发表的论文目录 | 第127页 |
| B 作者在攻读学位期间参加的科研项目 | 第127页 |