| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 蛋白质结构预测的研究现状 | 第12-14页 |
| 1.2.2 蛋白质二级结构预测的研究现状 | 第14页 |
| 1.2.3 流形学习的研究现状 | 第14-17页 |
| 1.3 本文的主要工作内容 | 第17-19页 |
| 第二章 蛋白质二级结构预测 | 第19-35页 |
| 2.1 蛋白质基本概念 | 第19页 |
| 2.2 蛋白质结构分类 | 第19-23页 |
| 2.2.1 蛋白质一级结构 | 第19-20页 |
| 2.2.2 蛋白质二级结构 | 第20-22页 |
| 2.2.3 蛋白质的超二级结构 | 第22页 |
| 2.2.4 蛋白质的三级结构与四级结构 | 第22-23页 |
| 2.3 蛋白质二级结构的分类 | 第23-24页 |
| 2.4 蛋白质二级结构预测的常用方法 | 第24-31页 |
| 2.4.1 按时期划分二级结构预测方法 | 第24-26页 |
| 2.4.2 按建模理论划分二级结构预测方法 | 第26-27页 |
| 2.4.3 分类算法介绍 | 第27-31页 |
| 2.4.3.1 支持向量机 | 第27-28页 |
| 2.4.3.2 K 近邻分类 | 第28-29页 |
| 2.4.3.3 贝叶斯分类器 | 第29-30页 |
| 2.4.3.4 BP 神经网络 | 第30-31页 |
| 2.5 蛋白质二级结构预测的评价指标 | 第31-32页 |
| 2.5.1 三态准确率 | 第31-32页 |
| 2.5.2 整体准确率 | 第32页 |
| 2.5.3 Motthew 系数 | 第32页 |
| 2.6 蛋白质二级结构预测的难点 | 第32-33页 |
| 2.7 本章小结 | 第33-35页 |
| 第三章 流形学习方法概述 | 第35-45页 |
| 3.1 线性特征提取方法 | 第35-38页 |
| 3.1.1 主成分分析法 | 第35-36页 |
| 3.1.2 多维尺度变换 | 第36-37页 |
| 3.1.3 线性判别分析 | 第37-38页 |
| 3.2 流形学习方法 | 第38-43页 |
| 3.2.1 流形学习相关定义 | 第38-39页 |
| 3.2.2 等距特征映射算法 | 第39-41页 |
| 3.2.3 局部线性嵌入算法 | 第41-42页 |
| 3.2.4 拉普拉斯特征映射算法 | 第42-43页 |
| 3.2.5 局部切空间算法 | 第43页 |
| 3.3 本章小结 | 第43-45页 |
| 第四章 基于词频统计的氨基酸序列编码方法 | 第45-53页 |
| 4.1 滑动窗口技术 | 第45-46页 |
| 4.2 5 位编码 | 第46-47页 |
| 4.3 21 位编码 | 第47页 |
| 4.4 Profile 编码 | 第47-48页 |
| 4.5 基于词频统计的编码 | 第48-49页 |
| 4.6 不同编码方法的比较 | 第49-52页 |
| 4.6.1 数据集选取 | 第49页 |
| 4.6.2 SVM 参数 c 和γ的选择 | 第49-50页 |
| 4.6.3 实验结果 | 第50-51页 |
| 4.6.4 同源性分析 | 第51-52页 |
| 4.7 本章小结 | 第52-53页 |
| 第五章 基于流形学习的蛋白质二级结构预测模型 | 第53-63页 |
| 5.1 实验模型 | 第53页 |
| 5.2 数据的归一化 | 第53-54页 |
| 5.2.1 线性参数归一化方法 | 第53-54页 |
| 5.2.2 matlab 自带函数 mapminmax | 第54页 |
| 5.3 邻域参数 k 和维数 d 的选择 | 第54-55页 |
| 5.4 实验结果 | 第55-61页 |
| 5.4.1 流形学习算法比较 | 第55-58页 |
| 5.4.2 同源性分析 | 第58-60页 |
| 5.4.3 预测效率比较 | 第60-61页 |
| 5.5 实验总结 | 第61页 |
| 5.6 本章小结 | 第61-63页 |
| 第六章 结论 | 第63-65页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 工作展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |