摘要 | 第5-8页 |
Abstract | 第8-10页 |
第1章 绪论 | 第15-21页 |
1.1 研究背景 | 第15-18页 |
1.1.1 系统生物学 | 第15页 |
1.1.2 生物通路预测 | 第15-16页 |
1.1.3 信号pathway 预测 | 第16-17页 |
1.1.4 系统生物学中的机器学习方法 | 第17-18页 |
1.2 研究目标与成果 | 第18-19页 |
1.2.1 研究目标 | 第18页 |
1.2.2 研究成果 | 第18-19页 |
1.3 研究路线与方法 | 第19页 |
1.4 本文工作 | 第19-21页 |
第2章 信号pathway 预测 | 第21-37页 |
2.1 引言 | 第21-22页 |
2.2 信号pathway 的生物背景 | 第22-25页 |
2.2.1 信号pathway 的作用机制 | 第22-23页 |
2.2.2 信号pathway 的数据库资源 | 第23-25页 |
2.3 信号pathway 拓扑结构预测研究现状 | 第25-27页 |
2.3.1 基于搜索的方法 | 第25页 |
2.3.2 de novo 预测方法 | 第25-27页 |
2.4 信号pathway 动力学模型预测研究现状 | 第27-30页 |
2.4.1 常用模型研究 | 第27-28页 |
2.4.2 参数估计算法及常用工具平台 | 第28-30页 |
2.5 序列motif 识别 | 第30-34页 |
2.5.1 基因转录调控与序列motif | 第30-32页 |
2.5.2 Motif 识别方法及研究现状 | 第32-34页 |
2.6 本章小结 | 第34-37页 |
第3章 机器学习相关算法 | 第37-59页 |
3.1 引言 | 第37页 |
3.2 统计学习方法 | 第37-48页 |
3.2.1 Bayes 统计推断 | 第37-41页 |
3.2.2 EM 算法 | 第41-42页 |
3.2.3 Markov 链 | 第42-43页 |
3.2.4 HMM 模型 | 第43-48页 |
3.3 进化计算 | 第48-59页 |
3.3.1 遗传算法 | 第48-54页 |
3.3.2 粒子群优化算法 | 第54-59页 |
第4章 信号pathway 的拓扑结构预测 | 第59-71页 |
4.1 引言 | 第59页 |
4.2 信号pathway 拓扑结构预测的形式化描述 | 第59-60页 |
4.3 数据样本的获取及表示 | 第60-62页 |
4.4 基于EM 的基因调控关系预测 | 第62-65页 |
4.4.1 一阶Markov 链模型的建立 | 第62-64页 |
4.4.2 模型参数估计 | 第64-65页 |
4.5 基于HMM 的基因调控方向预测 | 第65-66页 |
4.5.1 HMM 模型的建立 | 第65页 |
4.5.2 模型参数估计 | 第65-66页 |
4.6 实验结果与分析 | 第66-69页 |
4.7 本章小结 | 第69-71页 |
第5章 信号pathway 的动力学模型预测 | 第71-83页 |
5.1 引言 | 第71-72页 |
5.2 动力学系统建模 | 第72-75页 |
5.2.1 常微分方程模型 | 第72-74页 |
5.2.2 模型优化问题的数学描述 | 第74-75页 |
5.3 基于PSO 的信号pathway 动力学模型预测 | 第75-77页 |
5.3.1 适应度函数设计 | 第75页 |
5.3.2 PSO 算法优化 | 第75-77页 |
5.4 实验结果与分析 | 第77-82页 |
5.5 本章小结 | 第82-83页 |
第6章 序列motif 识别 | 第83-93页 |
6.1 引言 | 第83-84页 |
6.2 序列motif 的数学模型 | 第84-86页 |
6.2.1 序列motif 识别问题的形式化描述 | 第84页 |
6.2.2 序列motif 建模 | 第84-86页 |
6.3 利用GA 算法识别motif | 第86-89页 |
6.3.1 序列motif 的编码及适应度函数设计 | 第86-88页 |
6.3.2 遗传操作及优化 | 第88-89页 |
6.4 实验结果 | 第89-92页 |
6.5 本章小结 | 第92-93页 |
第7章 总结与展望 | 第93-97页 |
7.1 本文总结 | 第93-95页 |
7.2 进一步的工作 | 第95-97页 |
参考文献 | 第97-105页 |
作者简介及在学期间所取得的科研成果 | 第105-107页 |
致谢 | 第107页 |