摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第13-19页 |
1.1 研究背景与意义 | 第13-14页 |
1.2 研究现状与发展 | 第14-17页 |
1.3 研究工作和主要内容 | 第17-18页 |
1.4 论文的组织结构 | 第18-19页 |
第2章 蛋白质糖基化位点预测方法 | 第19-34页 |
2.1 蛋白质糖基化基础知识简介 | 第19-22页 |
2.1.1 蛋白质简介 | 第19-20页 |
2.1.2 氨基酸 | 第20-21页 |
2.1.3 蛋白质糖基化的定义及功能 | 第21页 |
2.1.4 蛋白质糖基化的类型 | 第21-22页 |
2.2 蛋白质序列数据集 | 第22-24页 |
2.2.1 PIR-PSD蛋白质数据库 | 第22-23页 |
2.2.2 SWISS-PROT蛋白质数据库 | 第23页 |
2.2.3 数据集的构建 | 第23-24页 |
2.3 编码方式 | 第24-26页 |
2.3.1 二进制编码 | 第24-25页 |
2.3.2 组成信息编码 | 第25页 |
2.3.3 双组成信息编码 | 第25页 |
2.3.4 位置特异性得分矩阵编码 | 第25-26页 |
2.4 分类方法 | 第26-31页 |
2.4.1 逻辑回归分类器(Logistic Regression Classifier) | 第26-27页 |
2.4.2 支持向量机(Support Vector Machine,SVM) | 第27-29页 |
2.4.3 深信度网络(Deep Belief Networks,DBN) | 第29-30页 |
2.4.4 稀疏自动编码机(Sparse Autoencoder,SAE) | 第30-31页 |
2.5 分类性能评估 | 第31-32页 |
2.5.1 交叉验证 | 第31-32页 |
2.5.2 预测模型性能指标 | 第32页 |
2.6 小结 | 第32-34页 |
第3章 基于深度学习的糖基化位点预测 | 第34-48页 |
3.1 引言 | 第34页 |
3.2 数据集 | 第34-37页 |
3.2.1 数据来源 | 第34-35页 |
3.2.2 数据编码方式 | 第35-37页 |
3.3 模型与方法 | 第37-39页 |
3.3.1 深信度网络 | 第37-38页 |
3.3.2 稀疏自动编码机 | 第38页 |
3.3.3 支持向量机 | 第38页 |
3.3.4 混合模型 | 第38-39页 |
3.4 实验结果与分析 | 第39-47页 |
3.4.1 实现 | 第39页 |
3.4.2 参数选择 | 第39-40页 |
3.4.3 N-糖基化位点预测的结果 | 第40-43页 |
3.4.4 O-糖基化位点预测的结果 | 第43-45页 |
3.4.5 C-糖基化位点预测的结果 | 第45-47页 |
3.5 小结 | 第47-48页 |
第4章 遗传算法优化深度学习在糖基化位点预测中的应用 | 第48-62页 |
4.1 引言 | 第48页 |
4.2 原理与方法 | 第48-55页 |
4.2.1 深度学习概述 | 第48-49页 |
4.2.2 遗传算法概述 | 第49-53页 |
4.2.3 遗传算法优化深度学习 | 第53-55页 |
4.3 数据集 | 第55-56页 |
4.3.1 数据来源 | 第55-56页 |
4.3.2 数据编码方式 | 第56页 |
4.4 实验结果与分析 | 第56-61页 |
4.4.1 参数的选择 | 第56页 |
4.4.2 实验结果分析 | 第56-61页 |
4.5 小结 | 第61-62页 |
第5章 基于深度学习的糖基化位点预测软件 | 第62-69页 |
5.1 引言 | 第62-65页 |
5.1.1 系统功能 | 第62-63页 |
5.1.2 功能实现 | 第63-65页 |
5.2 测试方案 | 第65页 |
5.2.1 N-糖基化位点预测测试方案 | 第65页 |
5.2.2 O-糖期货位点预测测试方案 | 第65页 |
5.2.3 C-糖基化位点预测测试方案 | 第65页 |
5.3 测试结果分析 | 第65-68页 |
5.3.1 N-糖基化位点预测测试结果 | 第65-66页 |
5.3.2 O-糖基化位点预测测试结果 | 第66-67页 |
5.3.3 C-糖基化位点预测测试结果 | 第67-68页 |
5.4 小结 | 第68-69页 |
结论 | 第69-71页 |
参考文献 | 第71-74页 |
致谢 | 第74-75页 |
附录A 攻读学位期间取得的研究成果 | 第75-76页 |
附录B 攻读学位期间所参与的研究项目 | 第76页 |