| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 miRNA的研究现状 | 第11-14页 |
| 1.2.1 序列比对方法 | 第11-12页 |
| 1.2.2 机器学习方法 | 第12-13页 |
| 1.2.3 高通量方法 | 第13-14页 |
| 1.3 本文的研究内容及结构安排 | 第14-16页 |
| 2 基于机器学习方法预测miRNA | 第16-26页 |
| 2.1 相关机器学习方法 | 第16-19页 |
| 2.1.1 朴素贝叶斯 | 第16-17页 |
| 2.1.2 随机森林 | 第17-18页 |
| 2.1.3 支持向量机 | 第18-19页 |
| 2.2 序列特征提取方法 | 第19-22页 |
| 2.2.1 Triplet-SVM特征 | 第20页 |
| 2.2.2 MiPred特征 | 第20-21页 |
| 2.2.3 MicroPred特征 | 第21-22页 |
| 2.2.4 PlantMiRNAPred特征 | 第22页 |
| 2.3 特征选择方法 | 第22-25页 |
| 2.3.1 基于相关性的特征子集选择 | 第23-24页 |
| 2.3.2 主成分分析 | 第24-25页 |
| 2.3.3 支持向量机递归特征消除 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 miRNA前体分类模型的建立 | 第26-36页 |
| 3.1 特征选择 | 第26-31页 |
| 3.1.1 序列结构特征的提出 | 第26-27页 |
| 3.1.2 有放回的SVM-RFE | 第27-29页 |
| 3.1.3 结果与分析 | 第29-31页 |
| 3.2 分类器的构建与评价指标 | 第31页 |
| 3.3 实验结果 | 第31-35页 |
| 3.3.1 实验数据选择 | 第31-33页 |
| 3.3.2 实验数据集与实验方法 | 第33-34页 |
| 3.3.3 实验结果与分析 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 miRNA成熟体分类模型的建立 | 第36-49页 |
| 4.1 正负样本数据选择 | 第36-40页 |
| 4.1.1 正样本数据选择 | 第36-37页 |
| 4.1.2 负样本数据选择 | 第37-39页 |
| 4.1.3 类不平衡与SMOTE | 第39-40页 |
| 4.2 自适应参数选择 | 第40-44页 |
| 4.2.1 参数对支持向量机的影响 | 第40-41页 |
| 4.2.2 模型的参数选择方法 | 第41-43页 |
| 4.2.3 参数选择结果 | 第43-44页 |
| 4.3 集成分类器miPlantPreMat | 第44-45页 |
| 4.4 实验结果 | 第45-48页 |
| 4.4.1 特征选择结果 | 第45-46页 |
| 4.4.2 分类模型的验证 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 miPlantPreMat在植物miRNA预测中的应用 | 第49-54页 |
| 5.1 实验数据选择 | 第49-50页 |
| 5.1.1 番茄基因组数据 | 第49页 |
| 5.1.2 番茄靶基因数据 | 第49-50页 |
| 5.2 番茄miRNA发现 | 第50-51页 |
| 5.2.1 KMP比对 | 第50页 |
| 5.2.2 番茄miRNA序列识别 | 第50-51页 |
| 5.3 靶基因预测与miRNA关系网络构建 | 第51-53页 |
| 5.3.1 靶基因预测 | 第51-52页 |
| 5.3.2 miRNA共调控网络 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61-62页 |