| 提要 | 第1-10页 |
| 第一章 绪论 | 第10-18页 |
| ·引言 | 第10-11页 |
| ·蛋白质功能预测计算方法简介 | 第11-13页 |
| ·同源性方法 | 第11页 |
| ·非同源性方法 | 第11-13页 |
| ·系统发育谱(Phylogenetic profile) | 第12页 |
| ·基因融合事件(Gene fusion events) | 第12页 |
| ·保守的蛋白质间相互作用(Interologs) | 第12-13页 |
| ·进化速率关联(Evolutionary correlated) | 第13页 |
| ·国内外研究现状 | 第13-15页 |
| ·本文的主要内容 | 第15-17页 |
| ·基于聚类的系统发育谱方法 | 第15-16页 |
| ·蛋白质相互作用的从头预测方法 | 第16页 |
| ·本文的组织结构 | 第16-17页 |
| ·小结 | 第17-18页 |
| 第二章 蛋白质功能注释相关数据库 | 第18-25页 |
| ·蛋白质功能预测数据库 | 第18-20页 |
| ·NCBI 数据库 | 第18-19页 |
| ·PIR 数据库 | 第19-20页 |
| ·UniProt 数据库 | 第20页 |
| ·蛋白质相互作用数据库 | 第20-23页 |
| ·BIND 数据库 | 第20-21页 |
| ·DIP 数据库 | 第21-22页 |
| ·STRING 数据库 | 第22-23页 |
| ·MIPS 数据库 | 第23页 |
| ·小结 | 第23-25页 |
| 第三章 机器学习计算方法简介 | 第25-46页 |
| ·K-均值聚类(K-means Clustering)算法 | 第25-30页 |
| ·K-均值聚类算法的基本原理 | 第26-28页 |
| ·K-均值聚类算法的优缺点 | 第28-30页 |
| ·层次聚类(Hierarchical Clustering)算法 | 第30-33页 |
| ·聚结型层次聚类法 | 第31-33页 |
| ·分解型层次聚类法 | 第33页 |
| ·支持向量机介绍 | 第33-36页 |
| ·支持向量机 | 第33-35页 |
| ·支持向量机的特点与不足 | 第35-36页 |
| ·BP 神经网络介绍 | 第36-43页 |
| ·BP 神经网络算法 | 第36-42页 |
| ·BP 神经网络存在的问题 | 第42-43页 |
| ·机器学习方法在生物信息学中的应用 | 第43-45页 |
| ·小结 | 第45-46页 |
| 第四章 基于聚类的系统发育谱方法 | 第46-68页 |
| ·系统发育谱方法 | 第46-54页 |
| ·参照基因组的选取 | 第46-49页 |
| ·基于树的参照物种选择方法 | 第47-49页 |
| ·基于遗传距离的参照物种选择方法 | 第49页 |
| ·系统发育谱的构造 | 第49-51页 |
| ·离散谱的构造 | 第49-50页 |
| ·连续谱的构造 | 第50-51页 |
| ·谱的相似性分析 | 第51-54页 |
| ·基于距离的谱的相似性分析 | 第51-52页 |
| ·基于相关系数的谱的相似性分析 | 第52页 |
| ·基于相互信息量的谱的相似性分析 | 第52-54页 |
| ·存在的问题 | 第54页 |
| ·改进的系统发育谱方法 | 第54-67页 |
| ·基于权重的系统发育谱的构造 | 第54-56页 |
| ·基于改进层次聚类的系统发育谱相似性分析 | 第56-64页 |
| ·实验材料 | 第56-57页 |
| ·实验方法 | 第57-62页 |
| ·实验结果与分析 | 第62-64页 |
| ·基于改进K-均值聚类的系统发育谱相似性分析 | 第64-67页 |
| ·实验材料 | 第64页 |
| ·实验方法 | 第64-65页 |
| ·实验结果与分析 | 第65-67页 |
| ·小结 | 第67-68页 |
| 第五章 蛋白质间相互作用从头预测算法 | 第68-88页 |
| ·特征提取方法简介 | 第68-73页 |
| ·统计特征 | 第69页 |
| ·生物化学属性 | 第69-72页 |
| ·Coiled-Coil(卷曲螺旋) | 第72页 |
| ·蛋白质结构域 | 第72-73页 |
| ·基于支持向量机的蛋白质相互作用预测 | 第73-80页 |
| ·实验材料 | 第74-79页 |
| ·实验方法 | 第79页 |
| ·实验结果与分析 | 第79-80页 |
| ·基于 BP 网络的蛋白质相互作用预测 | 第80-87页 |
| ·实验材料 | 第81-82页 |
| ·实验方法 | 第82-86页 |
| ·序列特征提取 | 第82-85页 |
| ·BP 人工神经网络分类 | 第85-86页 |
| ·实验结果与分析 | 第86-87页 |
| ·小结 | 第87-88页 |
| 第六章 结论和展望 | 第88-91页 |
| ·本文研究工作总结 | 第88-89页 |
| ·工作展望 | 第89-91页 |
| 参考文献 | 第91-95页 |
| 攻读博士期间发表的学术论文 | 第95-96页 |
| 致谢 | 第96-97页 |
| 中文摘要 | 第97-99页 |
| Abstract | 第99-100页 |
