| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第15-26页 |
| 1.1 课题研究背景及意义 | 第15-17页 |
| 1.2 miRNA 相关知识介绍 | 第17-19页 |
| 1.2.1 miRNA 前体一级序列和二级结构 | 第17页 |
| 1.2.2 miRNA 产生过程和作用机制 | 第17-18页 |
| 1.2.3 miRNA 与疾病的关系 | 第18-19页 |
| 1.2.4 miRNA 的计算预测依据 | 第19页 |
| 1.3 国内外研究现状 | 第19-23页 |
| 1.4 本文主要工作 | 第23-26页 |
| 第2章 基于机器学习的 miRNA 前体分类预测方法 | 第26-50页 |
| 2.1 引言 | 第26-27页 |
| 2.2 miRNA 前体特征 | 第27-30页 |
| 2.3 基于遗传算法的 miRNA 前体特征选择 | 第30-38页 |
| 2.3.1 特征选择的影响因素 | 第30-32页 |
| 2.3.2 miRNA 前体特征选择算法 | 第32-38页 |
| 2.4 分类预测 miRNA 前体算法 | 第38-40页 |
| 2.5 miRNA 前体分类预测算法复杂度分析 | 第40-41页 |
| 2.6 实验结果与分析 | 第41-47页 |
| 2.6.1 miRNA 前体数据集 | 第41-43页 |
| 2.6.2 miRNA 前体分类性能评估 | 第43页 |
| 2.6.3 miRNA 前体特征选择结果 | 第43-45页 |
| 2.6.4 与其它方法比较结果 | 第45-47页 |
| 2.7 人类 miRNA 前体分类模型的建立与测试 | 第47-48页 |
| 2.8 本章小结 | 第48-50页 |
| 第3章 基于支持向量机的 miRNA 成熟体位置预测方法 | 第50-78页 |
| 3.1 引言 | 第50页 |
| 3.2 miRNA 成熟体特征 | 第50-53页 |
| 3.3 基于支持向量机的位置预测方法 | 第53-55页 |
| 3.3.1 miRNA:miRNA*候选评分 | 第53页 |
| 3.3.2 真/假 miRNA:miRNA*的提取 | 第53-54页 |
| 3.3.3 基于支持向量机的位置预测模型 | 第54-55页 |
| 3.4 miRNA 成熟体预测过程优化 | 第55-56页 |
| 3.5 miRNA 成熟体特征选择 | 第56页 |
| 3.6 两阶段样本选择方法 | 第56-60页 |
| 3.6.1 基于 K 个最近邻的密度估计 | 第57页 |
| 3.6.2 基于密度估计的反例样本选择 | 第57-58页 |
| 3.6.3 基于主动学习的反例样本选择 | 第58-60页 |
| 3.7 miRNA 成熟体预测算法复杂度分析 | 第60-61页 |
| 3.8 实验结果与分析 | 第61-71页 |
| 3.8.1 实验数据集及评估方法 | 第61-62页 |
| 3.8.2 特征子集评估结果 | 第62-64页 |
| 3.8.3 miRNA 成熟体特征选择结果 | 第64-65页 |
| 3.8.4 miRNA 成熟体样本选择结果 | 第65-66页 |
| 3.8.5 与其它方法比较结果 | 第66-71页 |
| 3.9 动物 miRNA 成熟体预测模型的建立与测试 | 第71-76页 |
| 3.10 本章小结 | 第76-78页 |
| 第4章 基于 K 个最相似邻居的疾病关联 miRNA 预测方法 | 第78-98页 |
| 4.1 引言 | 第78页 |
| 4.2 miRNA 与疾病关联数据预处理 | 第78-79页 |
| 4.3 miRNA 功能相似性度量方法 | 第79-82页 |
| 4.3.1 计算 miRNA 功能相似性 | 第79-81页 |
| 4.3.2 miRNA 功能相似性度量优化 | 第81-82页 |
| 4.4 基于 K 个最相似邻居的预测算法 | 第82-84页 |
| 4.5 基于加权的疾病关联 miRNA 预测 | 第84-88页 |
| 4.5.1 基于 miRNA 家族的权值分配 | 第84-86页 |
| 4.5.2 基于 miRNA 分簇的权值分配 | 第86-87页 |
| 4.5.3 基于带权的疾病关联 miRNA 预测算法 | 第87-88页 |
| 4.6 预测算法复杂度分析 | 第88页 |
| 4.7 实验结果与分析 | 第88-97页 |
| 4.7.1 预测评估方法 | 第88-89页 |
| 4.7.2 HDMP 和 HDMPW 的预测性能 | 第89-90页 |
| 4.7.3 与其它方法比较结果 | 第90-94页 |
| 4.7.4 实例分析：基于 K 个最相似邻居的乳腺肿瘤相关 miRNA 预测 | 第94-97页 |
| 4.8 本章小结 | 第97-98页 |
| 第5章 基于随机游走的疾病关联 miRNA 预测方法 | 第98-112页 |
| 5.1 引言 | 第98页 |
| 5.2 基于随机游走的疾病关联 miRNA 预测 | 第98-106页 |
| 5.2.1 有重启的随机游走模型 | 第98-99页 |
| 5.2.2 疾病关联 miRNA 的特点 | 第99-101页 |
| 5.2.3 基于有重启的随机游走的预测算法 | 第101-106页 |
| 5.3 预测算法复杂度分析 | 第106页 |
| 5.4 实验结果与分析 | 第106-111页 |
| 5.4.1 算法参数对预测性能的影响 | 第106-108页 |
| 5.4.2 与 HDMP 和 HDMPW 预测方法比较结果 | 第108-109页 |
| 5.4.3 实例分析：基于随机游走的乳腺肿瘤相关 miRNA 预测 | 第109-111页 |
| 5.5 本章小结 | 第111-112页 |
| 结论 | 第112-114页 |
| 参考文献 | 第114-123页 |
| 攻读博士学位期间发表的论文及其它成果 | 第123-125页 |
| 致谢 | 第125-126页 |
| 个人简历 | 第126页 |
