| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 引言 | 第10-11页 |
| 1.2 蛋白质翻译后修饰预测研究现状 | 第11-13页 |
| 1.3 蛋白质糖基化研究 | 第13-14页 |
| 1.4 蛋白质磷酸化研究 | 第14-15页 |
| 1.5 本文主要研究内容与创新 | 第15页 |
| 1.6 本文章节编排 | 第15-18页 |
| 第二章 机器学习方法及蛋白质序列表征 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 数据预处理 | 第18页 |
| 2.3 序列表征 | 第18-26页 |
| 2.3.1 氨基酸组分特征 | 第18-19页 |
| 2.3.2 伪氨基酸组分特征 | 第19-20页 |
| 2.3.3 氨基酸理化性质特征 | 第20-22页 |
| 2.3.4 预测的二级结构 | 第22-24页 |
| 2.3.5 预测的蛋白质无序区 | 第24-25页 |
| 2.3.6 蛋白质功能结构域 | 第25-26页 |
| 2.4 特征选择 | 第26-28页 |
| 2.5 分类器构建 | 第28-29页 |
| 2.6 模型检验 | 第29-30页 |
| 第三章 基于三类特征融合的O-糖基化位点预测 | 第30-42页 |
| 3.1 引言 | 第30-31页 |
| 3.2 数据与方法 | 第31-34页 |
| 3.2.1 数据集 | 第31页 |
| 3.2.2 卡方检验及基于位置的卡方差表 | 第31-33页 |
| 3.2.3 伪氨基酸序列进化信息(PsePSSM) | 第33页 |
| 3.2.4 无方向的k间隔氨基酸对组分(Undirected-CKSAAP) | 第33-34页 |
| 3.2.5 SVM分类器与加权投票 | 第34页 |
| 3.2.6 模型评价指标 | 第34页 |
| 3.3 结果 | 第34-38页 |
| 3.3.1 重要位置确定 | 第34-35页 |
| 3.3.2 PsePSSM参数优化 | 第35-36页 |
| 3.3.3 Undirected-CKSAAP的k值确定 | 第36页 |
| 3.3.4 特征融合与加权投票结果 | 第36-38页 |
| 3.4 小结与讨论 | 第38-42页 |
| 3.4.1 χ~2-pos特征的优点 | 第38-39页 |
| 3.4.2 改进PSSM、CKSAAP与三类特征融合的必要性 | 第39-42页 |
| 第四章 融合位置特征与序列进化特征预测磷酸化位点 | 第42-48页 |
| 4.1 引言 | 第42页 |
| 4.2 数据与方法 | 第42-44页 |
| 4.2.1 数据集 | 第42-43页 |
| 4.2.2 X~2-pos | 第43页 |
| 4.2.3 PsePSSM | 第43-44页 |
| 4.2.4 分类器与模型评价指标 | 第44页 |
| 4.3 结果 | 第44-45页 |
| 4.3.1 PsePSSM参数优化 | 第44页 |
| 4.3.2 特征融合 | 第44-45页 |
| 4.3.3 与其他方法比较 | 第45页 |
| 4.4 小结 | 第45-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 全文总结 | 第48-49页 |
| 5.2 论文不足及展望 | 第49-50页 |
| 参考文献 | 第50-59页 |
| 致谢 | 第59-60页 |
| 作者简介 | 第60页 |
