机器学习方法在无序蛋白质预测上的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 无序蛋白的特征提取 | 第10-12页 |
| 1.2.2 无序蛋白的分类预测方法 | 第12-14页 |
| 1.3 研究内容与组织结构 | 第14-15页 |
| 第二章 生物背景知识与机器学习算法 | 第15-27页 |
| 2.1 氨基酸与蛋白质结构编码 | 第15-17页 |
| 2.2 传统机器学习算法 | 第17-23页 |
| 2.2.1 支持向量机 | 第17-18页 |
| 2.2.2 朴素贝叶斯 | 第18-19页 |
| 2.2.3 K近邻 | 第19-20页 |
| 2.2.4 决策树 | 第20-22页 |
| 2.2.5 逻辑斯特回归 | 第22页 |
| 2.2.6 线性判别分析 | 第22-23页 |
| 2.3 深度学习算法 | 第23-26页 |
| 2.3.1 卷积神经网络 | 第23-24页 |
| 2.3.2 循环神经网络 | 第24-26页 |
| 2.4 小结 | 第26-27页 |
| 第三章 数据集构建与特征提取 | 第27-34页 |
| 3.1 数据集的构建 | 第27-28页 |
| 3.2 序列分析与特征提取 | 第28-32页 |
| 3.2.1 氨基酸组成分析 | 第28-31页 |
| 3.2.2 氨基酸的物理化学性质 | 第31-32页 |
| 3.3 评价标准 | 第32-33页 |
| 3.4 小结 | 第33-34页 |
| 第四章 机器学习预测算法的比较分析 | 第34-47页 |
| 4.1 组合特征编码模型 | 第34-35页 |
| 4.2 基于传统机器学习算法的分类预测 | 第35-37页 |
| 4.3 基于深度学习的分类预测 | 第37-45页 |
| 4.3.1 卷积神经网络预测模型 | 第37-41页 |
| 4.3.2 循环神经网络预测模型 | 第41-45页 |
| 4.4 对实验结果的分析 | 第45-46页 |
| 4.5 小结 | 第46-47页 |
| 第五章 预测平台的设计与实现 | 第47-52页 |
| 5.1 预测平台 | 第47页 |
| 5.2 特征提取与数据预处理 | 第47-49页 |
| 5.3 无序蛋白的分类预测 | 第49-50页 |
| 5.4 后台PSSM数据库 | 第50-51页 |
| 5.5 小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 工作展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 在读期间公开发表的论文 | 第57-58页 |
| 致谢 | 第58页 |
