致谢 | 第6-7页 |
摘要 | 第7-9页 |
ABSTRACT | 第9-10页 |
第一章 绪论 | 第15-24页 |
1.1 课题背景及研究意义 | 第15-20页 |
1.2 国内外研究现状 | 第20-21页 |
1.3 论文的主要工作与技术路线 | 第21-24页 |
第二章 组学与网络结构 | 第24-29页 |
2.1 高通量组学 | 第24-26页 |
2.1.1 基因组 | 第24-25页 |
2.1.2 转录组 | 第25页 |
2.1.3 蛋白组 | 第25-26页 |
2.2 分子相互作用网络 | 第26-28页 |
2.2.1 转录调控网络 | 第26-27页 |
2.2.2 蛋白相互作用网络 | 第27页 |
2.2.3 代谢网络和信号网络 | 第27-28页 |
2.2.4 机械疲劳寿命影响因素组成的网络 | 第28页 |
2.3 疾病风险因素 | 第28页 |
2.4 本章小结 | 第28-29页 |
第三章 网络通路识别与常用方法 | 第29-38页 |
3.1 差异通路 | 第29页 |
3.1.1 生物通路 | 第29页 |
3.1.2 差异生物通路 | 第29页 |
3.2 主要的通路识别算法 | 第29-37页 |
3.2.1 Fisher精确检验 | 第29-31页 |
3.2.2 基因富集分析(GSEA) | 第31-33页 |
3.2.3 随机生存森林(Random survival forest) | 第33-36页 |
3.2.4 全局检验(Global test) | 第36-37页 |
3.3 本章小结 | 第37-38页 |
第四章 基于网络连接的风险网络识别方法 | 第38-54页 |
4.1 风险因素识别算法Link-Cox | 第38-41页 |
4.1.1 Cox比例风险模型(CPHM) | 第38-39页 |
4.1.2 基于关联基因的通路识别方法 | 第39-41页 |
4.2 模拟数据验证实验 | 第41-44页 |
4.3 真实数据实验验证实验 | 第44-53页 |
4.3.1 Wilkerson数据中的实验分析 | 第44-49页 |
4.3.2 Hou数据中的实验分析 | 第49页 |
4.3.3 两个数据集中显著通路的一致性分析 | 第49-52页 |
4.3.4 参数θ对Link-Cox模型性能的影响 | 第52-53页 |
4.4 本章小结 | 第53-54页 |
第五章 风险因素识别算法在机械零件疲劳强度中的应用 | 第54-64页 |
5.1 零件疲劳强度影响因素 | 第54-56页 |
5.1.1 应力集中的影响 | 第54-55页 |
5.1.2 表面加工的影响 | 第55-56页 |
5.1.3 零件尺寸的影响 | 第56页 |
5.2 风险因素识别算法在疲劳试验中的应用 | 第56-63页 |
5.2.1 实验试样 | 第57-58页 |
5.2.2 风险因素识别算法的实验结果与比较分析 | 第58-60页 |
5.2.3 基于关联因素的识别算法实验分析 | 第60-61页 |
5.2.4 试件的疲劳寿命风险预测 | 第61-63页 |
5.3 本章小结 | 第63-64页 |
第六章 总结与展望 | 第64-66页 |
6.1 论文总结 | 第64页 |
6.2 论文展望 | 第64-66页 |
参考文献 | 第66-70页 |
攻读硕士学位期间的学术活动及成果情况 | 第70页 |