| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-12页 |
| ·研究背景回顾 | 第8-9页 |
| ·生物信息学 | 第9-10页 |
| ·飞速增长的生物信息 | 第9页 |
| ·生物信息学的研究内容 | 第9-10页 |
| ·生物信息学的研究意义 | 第10页 |
| ·关于本课题 | 第10-12页 |
| 第二章 支持向量机基础 | 第12-25页 |
| ·机器学习 | 第12-17页 |
| ·基本概念 | 第12页 |
| ·机器学习的学习系统 | 第12-13页 |
| ·机器学习的主要策略 | 第13-16页 |
| ·机器学习的问题描述 | 第16-17页 |
| ·经验风险最小化 | 第17页 |
| ·支持向量分类机 | 第17-22页 |
| ·统计学习理论 | 第18-19页 |
| ·结构风险最小化 | 第19页 |
| ·支持向量机 | 第19-22页 |
| ·One-class 支持向量机 | 第22页 |
| ·支持向量机软件 | 第22-23页 |
| ·SVMlight | 第22-23页 |
| ·LibSVM | 第23页 |
| ·支持向量机在生物信息学中的应用 | 第23-25页 |
| 第三章 序列特征提取 | 第25-29页 |
| ·核酸序列特征提取 | 第25-28页 |
| ·基因同义密码子的使用 | 第25-28页 |
| ·双联碱基频率的使用 | 第28页 |
| ·蛋白序列特征提取 | 第28-29页 |
| ·单氨基酸频率FAi | 第28页 |
| ·双联氨基酸使用频率FAAi | 第28-29页 |
| 第四章 G 蛋白偶联受体亚型分类预测 | 第29-40页 |
| ·研究背景 | 第29-33页 |
| ·G 蛋白偶联受体 | 第29-31页 |
| ·G 蛋白偶联受体类别 | 第31-32页 |
| ·研究现状 | 第32-33页 |
| ·G 蛋白偶联受体分类预测 | 第33-40页 |
| ·数据及方法 | 第33-35页 |
| ·实验结果 | 第35-37页 |
| ·结果分析 | 第37-40页 |
| 第五章 酵母基因组减数分裂重组冷热点分类 | 第40-48页 |
| ·分子生物学基础 | 第40-41页 |
| ·酵母基因组减数分裂重组冷热点分类 | 第41-48页 |
| ·数据 | 第41页 |
| ·特征提取 | 第41页 |
| ·实验结果 | 第41-43页 |
| ·实验结果分析 | 第43-48页 |
| 第六章 细菌基因组水平转移基因预测 | 第48-57页 |
| ·生物学基础 | 第48-51页 |
| ·基本概念 | 第48-49页 |
| ·基因水平转移方式 | 第49页 |
| ·基因水平转移的特点 | 第49-50页 |
| ·水平转移基因预测的研究现状 | 第50-51页 |
| ·数据及方法 | 第51-52页 |
| ·数据 | 第51-52页 |
| ·序列特征提取 | 第52页 |
| ·算法性能的衡量标准 | 第52页 |
| ·实验结果与讨论 | 第52-55页 |
| ·利用支持向量机对水平转移基因的预测 | 第52-53页 |
| ·对水平转移基因的分链预测 | 第53-54页 |
| ·利用One-class 支持向量机对水平转移基因的预测 | 第54页 |
| ·利用One-class 支持向量机对水平转移基因的分链预测 | 第54-55页 |
| ·算法在粪肠球菌基因组中的实际检验 | 第55页 |
| ·总结 | 第55-57页 |
| 第七章 siRNA 降解效率预测 | 第57-62页 |
| ·分子生物学基础 | 第57-58页 |
| ·数据及方法 | 第58-60页 |
| ·实验数据 | 第58页 |
| ·实验方法 | 第58-59页 |
| ·ROC 曲线 | 第59-60页 |
| ·结果及讨论 | 第60-62页 |
| 第八章 总结和展望 | 第62-63页 |
| ·论文总结 | 第62页 |
| ·工作展望 | 第62-63页 |
| 参考文献 | 第63-72页 |
| 作者简介 | 第72-73页 |
| 致谢 | 第73页 |