摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
1 绪论 | 第17-25页 |
1.1 本文的主要研究内容 | 第20-23页 |
1.1.1 模体识别 | 第20-21页 |
1.1.2 关键蛋白质的预测 | 第21-22页 |
1.1.3 微生物基因组分析与可视化 | 第22-23页 |
1.2 本文的结构 | 第23-25页 |
2 基于长度迭代的模体识别算法 | 第25-37页 |
2.1 引言 | 第25-26页 |
2.2 AMDILM算法 | 第26-30页 |
2.2.1 种群初始化 | 第26页 |
2.2.2 模体的适应度得分函数 | 第26-27页 |
2.2.3 最佳模体长度 | 第27页 |
2.2.4 遗传算法运算算子 | 第27-28页 |
2.2.4.1 变异运算 | 第28页 |
2.2.4.2 加一运算 | 第28页 |
2.2.4.3 减一运算 | 第28页 |
2.2.5 算法描述 | 第28-30页 |
2.3 实验结果 | 第30-36页 |
2.3.1 模拟数据集的实验结果 | 第30-31页 |
2.3.2 生物数据集的实验结果 | 第31-33页 |
2.3.3 算法AMDILM的鲁棒性分析 | 第33-36页 |
2.4 本章小结 | 第36-37页 |
3 结合亚细胞定位信息预测关键蛋白质的新算法 | 第37-55页 |
3.1 引言 | 第37-38页 |
3.2 关键蛋白质预测算法简介 | 第38-40页 |
3.2.1 DC算法 | 第38页 |
3.2.2 NC算法 | 第38-39页 |
3.2.3 PeC算法 | 第39页 |
3.2.4 WDC算法 | 第39-40页 |
3.2.5 CIC算法 | 第40页 |
3.3 SCP算法 | 第40-44页 |
3.3.1 蛋白质的亚细胞定位信息 | 第40-42页 |
3.3.1.1 亚细胞定位区域的重要性函数 | 第41页 |
3.3.1.2 蛋白质相互作用的置信度函数 | 第41-42页 |
3.3.1.3 蛋白质的重要性函数 | 第42页 |
3.3.2 改进的PageRank算法 | 第42-43页 |
3.3.3 皮尔逊相关系数 | 第43-44页 |
3.3.4 结合改进的PageRank算法和皮尔逊相关系数的关键蛋白质预测函数 | 第44页 |
3.4 数值实验 | 第44-54页 |
3.4.1 实验数据 | 第44-45页 |
3.4.1.1 蛋白质相互作用网络数据集 | 第44页 |
3.4.1.2 基因表达谱数据集 | 第44-45页 |
3.4.1.3 亚细胞定位信息数据集 | 第45页 |
3.4.1.4 关键蛋白质数据集 | 第45页 |
3.4.2 ROC曲线分析 | 第45-46页 |
3.4.3 前不同百分比的蛋白质中的关键蛋白质分析 | 第46-47页 |
3.4.4 Jackknife曲线分析 | 第47页 |
3.4.5 PR曲线分析 | 第47-48页 |
3.4.6 蛋白质相互作用的结果分析 | 第48-53页 |
3.4.7 调节参数λ的选择 | 第53页 |
3.4.8 算法CIC与SCP的进一步比较分析 | 第53-54页 |
3.5 本章小结 | 第54-55页 |
4 基于拉普拉斯矩阵的微生物基因组分析与可视化的新算法 | 第55-84页 |
4.1 引言 | 第55页 |
4.2 UniFrac距离 | 第55-61页 |
4.3 数据降维方法 | 第61-67页 |
4.3.1 PCA算法 | 第61-63页 |
4.3.2 LDA算法 | 第63-65页 |
4.3.3 MDS算法 | 第65-67页 |
4.4 DRLM算法 | 第67-72页 |
4.4.1 原始空间R~m中的欧式距离 | 第67页 |
4.4.2 拉普拉斯矩阵 | 第67-68页 |
4.4.3 基于拉普拉斯矩阵新的采样算法 | 第68-69页 |
4.4.4 采样点的2维投影映射 | 第69页 |
4.4.5 计算系数矩阵 | 第69-70页 |
4.4.6 全体样本点的2维投影映射 | 第70-72页 |
4.5 数值实验 | 第72-82页 |
4.5.1 模拟数据的数值实验 | 第72页 |
4.5.2 生物数据的数值实验 | 第72-82页 |
4.6 本章小结 | 第82-84页 |
5 结论与展望 | 第84-87页 |
5.1 结论 | 第84-85页 |
5.2 创新点摘要 | 第85页 |
5.3 展望 | 第85-87页 |
参考文献 | 第87-93页 |
攻读博士学位期间发表学术论文情况 | 第93-95页 |
致谢 | 第95-97页 |
作者简介 | 第97页 |