| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文主要研究内容 | 第9-10页 |
| 第二章 数据集的构建 | 第10-14页 |
| 2.1 Protein Data Bank（PDB）数据库 | 第10-11页 |
| 2.2 UniProt数据库 | 第11-12页 |
| 2.3 数据集的生成 | 第12-14页 |
| 第三章 特征选取及特征提取 | 第14-18页 |
| 3.1 特征选取 | 第14页 |
| 3.2 拓扑结构特征提取 | 第14-15页 |
| 3.3 进化保守性特征提取 | 第15-16页 |
| 3.4 协同进化性特征提取 | 第16-17页 |
| 3.5 溶剂可及性特征提取 | 第17页 |
| 3.6 小结 | 第17-18页 |
| 第四章 分类器选择 | 第18-23页 |
| 4.1 分类器简介 | 第18页 |
| 4.2 支持向量机 | 第18-19页 |
| 4.3 随机森林 | 第19-20页 |
| 4.4 集成学习算法 | 第20-21页 |
| 4.5 算法步骤 | 第21-23页 |
| 第五章 结果和讨论 | 第23-36页 |
| 5.1 对预测结果的评价指标 | 第23-24页 |
| 5.2 特征有效性分析 | 第24-25页 |
| 5.3 支持向量机参数优化及决断阈值选取 | 第25-29页 |
| 5.3.1 基于网格搜索的参数优化 | 第25-27页 |
| 5.3.2 决断阈值的选择 | 第27-29页 |
| 5.4 基于网格搜索的随机森林参数优化 | 第29-30页 |
| 5.5 训练集抽样次数的选取和集成学习分类器的构建 | 第30-32页 |
| 5.6 单一种类分类器与集成学习分类器的性能比较 | 第32-34页 |
| 5.7 预测方法整体性能评估及与S-SITE的对比 | 第34-36页 |
| 第六章 总结与展望 | 第36-38页 |
| 参考文献 | 第38-41页 |
| 致谢 | 第41-42页 |
| 在学期间公开发表论文及著作情况 | 第42页 |
