| 本文的创新点 | 第7-8页 |
| 摘要 | 第8-10页 |
| Abstract | 第10-12页 |
| 1 绪论 | 第16-28页 |
| 1.1 引言 | 第16-18页 |
| 1.2 研究现状 | 第18-25页 |
| 1.2.1 转录调控网络 | 第18-22页 |
| 1.2.2 转录后调控网络 | 第22-24页 |
| 1.2.3 Circuit调控网络 | 第24-25页 |
| 1.3 主要研究内容及创新之处 | 第25-27页 |
| 1.3.1 主要研究内容 | 第25-26页 |
| 1.3.2 论文的创新 | 第26-27页 |
| 1.5 本文的组织结构 | 第27-28页 |
| 2 调控网络的构建及应用研究 | 第28-39页 |
| 2.1 调控网络的构建 | 第28-35页 |
| 2.1.1 基于图论的网络构建 | 第28-29页 |
| 2.1.2 贝叶斯网络 | 第29-30页 |
| 2.1.3 布尔网络 | 第30-31页 |
| 2.1.4 广义逻辑网络 | 第31-32页 |
| 2.1.5 非线性常微分方程 | 第32-34页 |
| 2.1.6 分段线性微分方程 | 第34-35页 |
| 2.2 调控网络的应用 | 第35-39页 |
| 3 基于关联规则的小鼠肺发展动态circuit调控网络 | 第39-64页 |
| 3.1 小鼠肺发展过程研究 | 第39-40页 |
| 3.2 时序微阵列数据 | 第40-45页 |
| 3.2.1 时序数据 | 第40-42页 |
| 3.2.2 数据的离散化 | 第42-44页 |
| 3.2.3 调控模式的定义 | 第44-45页 |
| 3.3 关联规则的挖掘算法 | 第45-54页 |
| 3.3.1 传统的关联规则算法 | 第45-51页 |
| 3.3.2 时序微阵列数据上的关联规则定义 | 第51-52页 |
| 3.3.3 时序微阵列数据上关联规则算法 | 第52-54页 |
| 3.4 基于关联规则的小鼠肺发展数据实例分析 | 第54-61页 |
| 3.4.1 数据来源 | 第54页 |
| 3.4.2 分析步骤 | 第54-56页 |
| 3.4.3 结果分析 | 第56-61页 |
| 3.5 本章小结 | 第61-64页 |
| 4 小鼠肺发展与癌症发展相关动态circuit调控网络 | 第64-86页 |
| 4.1 小鼠肺发展与癌症发展相关性 | 第64-65页 |
| 4.2 聚类分析 | 第65-72页 |
| 4.2.1 相似度度量 | 第66-67页 |
| 4.2.2 类的距离度量 | 第67-68页 |
| 4.2.3 聚类算法 | 第68-72页 |
| 4.3 基于相关模式聚类的小鼠肺发展与癌症相关动态circuit调控网络 | 第72-84页 |
| 4.3.1 数据准备 | 第72页 |
| 4.3.2 分析步骤 | 第72-75页 |
| 4.3.3 结果分析 | 第75-84页 |
| 4.4 本章小结 | 第84-86页 |
| 5 基于circuit调控特征的癌症预后 | 第86-108页 |
| 5.1 多形性胶质瘤 | 第86-88页 |
| 5.2 特征选择 | 第88-97页 |
| 5.2.1 特征选择的搜索算法 | 第89-90页 |
| 5.2.2 特征选择模型构建策略 | 第90-93页 |
| 5.2.3 特征选择在序列分析中的应用 | 第93-94页 |
| 5.2.4 特征选择在微阵列数据分析中的应用 | 第94-97页 |
| 5.3 支持向量机分类模型 | 第97-100页 |
| 5.4 基于circuit调控特征的癌症预后分析 | 第100-107页 |
| 5.4.1 数据准备 | 第100-101页 |
| 5.4.2 分析步骤 | 第101-102页 |
| 5.4.3 结果分析 | 第102-107页 |
| 5.5 本章小结 | 第107-108页 |
| 6 总结和展望 | 第108-110页 |
| 6.1 工作总结 | 第108-109页 |
| 6.2 当前研究的不足和下一步的工作 | 第109-110页 |
| 致谢 | 第110-111页 |
| 参考文献 | 第111-129页 |
| 读博期间发表的文章 | 第129页 |
