| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.1.1 蛋白质作用及蛋白质结构研究 | 第10-11页 |
| 1.1.2 计算方法预测蛋白质结晶偏好性意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 蛋白质结构的实验测定 | 第11-12页 |
| 1.2.2 结晶法的困难及目前选择结晶目标蛋白的主要策略及方法 | 第12-13页 |
| 1.2.3 蛋白质结晶偏好性预测的主要方法 | 第13-14页 |
| 1.3 机器学习简介 | 第14-16页 |
| 1.4 本文的主要研究内容 | 第16-18页 |
| 1.4.1 组织结构 | 第16-17页 |
| 1.4.2 创新点 | 第17-18页 |
| 第二章 当前蛋白质结晶偏好性研究方法 | 第18-29页 |
| 2.1 基于蛋白质序列信息的结晶偏好性预测方法 | 第18-20页 |
| 2.1.1 CRYSTALP 方法 | 第18-19页 |
| 2.1.2 CRYSTALP2 方法 | 第19-20页 |
| 2.2 基于蛋白质序列信息及物理化学信息的结晶偏好性预测方法 | 第20-27页 |
| 2.2.1 SECRET 方法 | 第20-21页 |
| 2.2.2 OB-Score 方法 | 第21-22页 |
| 2.2.3 XtalPred 方法 | 第22页 |
| 2.2.4 ParCrys 方法 | 第22-23页 |
| 2.2.5 MetaPPCP 方法 | 第23-24页 |
| 2.2.6 PXS 方法 | 第24-25页 |
| 2.2.7 MCSG-Zscore 方法 | 第25-26页 |
| 2.2.8 SCMCRYS 方法 | 第26-27页 |
| 2.3 预测蛋白质结晶偏好性方法总结 | 第27-29页 |
| 第三章 集成学习算法 | 第29-34页 |
| 3.1 BAGGING 算法简介 | 第30-31页 |
| 3.2 BOOSTING 算法简介 | 第31-32页 |
| 3.3 STACKING 算法简介 | 第32-34页 |
| 第四章 数据处理 | 第34-40页 |
| 4.1 实验数据的选择 | 第34-35页 |
| 4.2 数据筛选 | 第35-40页 |
| 第五章 特征选取 | 第40-49页 |
| 5.1 与蛋白质序列信息相关的特征 | 第40-43页 |
| 5.2 与蛋白质物理化学等性质相关的特征 | 第43-49页 |
| 第六章 算法模型构建及实验评估 | 第49-56页 |
| 6.1 算法模型 | 第49-50页 |
| 6.2 在特征集上的实验 | 第50-52页 |
| 6.3 在数据集上的集成实验 | 第52-53页 |
| 6.4 在数据集和特征集上同时集成的实验 | 第53-54页 |
| 6.5 结论 | 第54-56页 |
| 第七章 总结与展望 | 第56-57页 |
| 7.1 总结 | 第56页 |
| 7.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 作者简介与科研成果 | 第61-62页 |
| 致谢 | 第62页 |