| 摘要 | 第1-10页 |
| Abstract | 第10-12页 |
| 第一章 绪论 | 第12-20页 |
| ·引言 | 第12页 |
| ·研究背景及意义 | 第12-13页 |
| ·蛋白质相互作用简介 | 第13-15页 |
| ·蛋白质组成 | 第13-14页 |
| ·蛋白质的相互作用定义 | 第14-15页 |
| ·国内外研究现状 | 第15-18页 |
| ·酵母双杂交方法 | 第15-16页 |
| ·质谱法 | 第16页 |
| ·蛋白质芯片技术 | 第16-17页 |
| ·机器学习方法 | 第17-18页 |
| ·本文研究提纲 | 第18-20页 |
| 第二章 蛋白质特征融合 | 第20-34页 |
| ·引言 | 第20-21页 |
| ·常用的特征提取方法 | 第21-30页 |
| ·氨基酸组成模型(AAC) | 第22页 |
| ·二肽组成模型 | 第22-23页 |
| ·氨基酸理化性质组成模型(PCC) | 第23-28页 |
| ·伪氨基酸组成模型(PseAA) | 第28-29页 |
| ·自协方差(Auto Covariance, AC) | 第29页 |
| ·共鸣识别模型(Resonant recognition model, RRM) | 第29-30页 |
| ·蛋白质特征融合方法 | 第30-32页 |
| ·蛋白质特征选择 | 第30-31页 |
| ·特征融合方式 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第三章 用于蛋白质相互作用预测的分类算法 | 第34-50页 |
| ·引言 | 第34页 |
| ·蛋白质相互作用的分类 | 第34-37页 |
| ·蛋白质相互作用的分类器介绍 | 第37-45页 |
| ·支持向量机方法 | 第37页 |
| ·贝叶斯模型方法 | 第37-38页 |
| ·核最近邻方法 | 第38页 |
| ·神经网络分类算法 | 第38-41页 |
| ·柔性神经树 | 第41-45页 |
| ·其它方法 | 第45页 |
| ·集成学习理论 | 第45-47页 |
| ·单个分类器的生成 | 第46-47页 |
| ·集成分类器结论生成的方法 | 第47页 |
| ·分类器的交叉验证 | 第47-48页 |
| ·分类器分类精度的评价 | 第48页 |
| ·本章小结 | 第48-50页 |
| 第四章 基于自协方差的蛋白质相互作用预测 | 第50-56页 |
| ·实验数据的选取 | 第50页 |
| ·特征的提取 | 第50-51页 |
| ·分类模型的设计 | 第51-52页 |
| ·实验结果及分析 | 第52-53页 |
| ·本章小结 | 第53-56页 |
| 第五章 基于共鸣识别模型的蛋白质相互作用预测 | 第56-62页 |
| ·实验数据的选取 | 第56页 |
| ·特征的提取 | 第56-58页 |
| ·分类模型的设计 | 第58-59页 |
| ·实验结果及分析 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| ·全文总结 | 第62页 |
| ·前景展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 附录 | 第70页 |