| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-29页 |
| 1.1 引言 | 第13-20页 |
| 1.1.1 蛋白质结构 | 第13-15页 |
| 1.1.2 蛋白质折叠模式预测 | 第15-16页 |
| 1.1.3 酶功能类预测 | 第16-18页 |
| 1.1.4 生物信息学 | 第18-20页 |
| 1.2 研究现状 | 第20-22页 |
| 1.2.1 蛋白质折叠模式预测 | 第20-21页 |
| 1.2.2 酶与多功能酶预测 | 第21-22页 |
| 1.3 机器学习算法 | 第22-25页 |
| 1.3.1 朴素贝叶斯 | 第23-24页 |
| 1.3.2 支持向量机 | 第24页 |
| 1.3.3 决策树 | 第24-25页 |
| 1.3.4 K近邻 | 第25页 |
| 1.4 本文的主要工作与结构 | 第25-29页 |
| 1.4.1 本文的主要工作 | 第25-27页 |
| 1.4.2 本文组织结构 | 第27-29页 |
| 第二章 蛋白质序列的特征提取方法 | 第29-37页 |
| 2.1 基于氨基酸组成和位置的特征提取方法 | 第29-30页 |
| 2.1.1 氨基酸组成 | 第29-30页 |
| 2.1.2 K联体方法 | 第30页 |
| 2.2 基于注释的特征提取方法 | 第30-31页 |
| 2.2.1 功能结构域组成 | 第30-31页 |
| 2.2.2 基因本体 | 第31页 |
| 2.3 基于组成分布和理化特性的特征提取方法 | 第31-33页 |
| 2.3.1 188维组合特征提取方法 | 第31-33页 |
| 2.4 基于位置特异性得分矩阵的提取方法 | 第33-35页 |
| 2.4.1 位置特异性得分矩阵(PSSM) | 第33-34页 |
| 2.4.2 20维特征提取方法 | 第34-35页 |
| 2.5 小结 | 第35-37页 |
| 第三章 基于集成学习的蛋白质折叠模式分类方法 | 第37-47页 |
| 3.1 集成学习 | 第37-42页 |
| 3.1.1 集成策略 | 第39-42页 |
| 3.2 数据集与方法 | 第42-46页 |
| 3.2.1 数据集介绍 | 第42页 |
| 3.2.2 实验方法与结果 | 第42-46页 |
| 3.3 实验结果比较与讨论 | 第46-47页 |
| 第四章 基于多标记学习的酶功能分类方法 | 第47-57页 |
| 4.1 多标记学习 | 第47-48页 |
| 4.2 数据集与方法 | 第48-55页 |
| 4.2.1 数据集介绍 | 第48-50页 |
| 4.2.2 实验方法与结果 | 第50-55页 |
| 4.3 实验结果比较与讨论 | 第55-57页 |
| 第五章 Web服务器开发 | 第57-65页 |
| 5.1 Web服务器总体设计 | 第57-58页 |
| 5.2 PPL(Predict Protein Online)软件介绍 | 第58-61页 |
| 5.3 IME(Identify Enzyme and Multi-function Enzyme)软件介绍 | 第61-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65-66页 |
| 6.2 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读学位期间发表的学术论文 | 第71-72页 |
| 致谢 | 第72页 |