| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 蛋白质数据库简介 | 第10页 |
| 1.2.2 蛋白质特征提取研究现状 | 第10-12页 |
| 1.2.3 亚细胞定位预测算法研究现状 | 第12-14页 |
| 1.3 目前存在的问题 | 第14-15页 |
| 1.3.1 蛋白质亚细胞定位目前存在的问题 | 第14页 |
| 1.3.2 深度学习技术的问题与不足 | 第14-15页 |
| 1.4 本文主要研究内容及结构安排 | 第15-17页 |
| 第2章 蛋白质亚细胞定位问题的研究 | 第17-28页 |
| 2.1 引言 | 第17-18页 |
| 2.2 蛋白质基础知识介绍 | 第18-20页 |
| 2.2.1 蛋白质组成 | 第18-19页 |
| 2.2.2 蛋白质物理化学性质 | 第19-20页 |
| 2.2.3 蛋白质功能预测 | 第20页 |
| 2.3 蛋白质亚细胞定位相关知识介绍 | 第20-21页 |
| 2.3.1 蛋白质亚细胞定位的定义 | 第20-21页 |
| 2.3.2 蛋白质亚细胞定位步骤 | 第21页 |
| 2.4 蛋白质亚细胞定位数据 | 第21-25页 |
| 2.4.1 蛋白质亚细胞定位数据来源 | 第21-23页 |
| 2.4.2 蛋白质混合特征的设计 | 第23-24页 |
| 2.4.3 蛋白质序列特征的设计 | 第24-25页 |
| 2.5 评价标准 | 第25-26页 |
| 2.6 本章小结 | 第26-28页 |
| 第3章 基于传统机器学习方法的蛋白质亚细胞定位研究 | 第28-41页 |
| 3.1 引言 | 第28页 |
| 3.2 基于SVM的蛋白质亚细胞定位 | 第28-30页 |
| 3.2.1 基于SVM的蛋白质亚细胞定位预测方法 | 第28-29页 |
| 3.2.2 MultiLoc实验结果 | 第29-30页 |
| 3.3 基于KNN的蛋白质亚细胞定位 | 第30-32页 |
| 3.3.1 基于KNN的蛋白质亚细胞定位方法 | 第30-31页 |
| 3.3.2 最近邻法实验结果 | 第31-32页 |
| 3.4 基于卷积神经网络(CNN)的蛋白质亚细胞定位 | 第32-36页 |
| 3.4.1 基于CNN模型的特征提取方法 | 第32-33页 |
| 3.4.2 CNN的训练方法 | 第33-34页 |
| 3.4.3 CNN模型设计 | 第34-35页 |
| 3.4.4 实验结果分析 | 第35-36页 |
| 3.5 基于长短期记忆网络(LSTM)的蛋白质亚细胞定位 | 第36-39页 |
| 3.5.1 基于LSTM模型的特征提取方法 | 第36页 |
| 3.5.2 LSTM的训练方法 | 第36-37页 |
| 3.5.3 LSTM模型设计 | 第37-38页 |
| 3.5.4 实验结果分析 | 第38-39页 |
| 3.6 实验结果总结与分析 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 基于卷积长短期记忆网络(CONVOLUTIONAL-LSTM)的蛋白质亚细胞定位研究 | 第41-49页 |
| 4.1 引言 | 第41页 |
| 4.2 基于卷积长短期记忆网络的蛋白质亚细胞定位 | 第41-44页 |
| 4.2.1 特征设计 | 第41-42页 |
| 4.2.2 模型设计 | 第42-43页 |
| 4.2.3 实验结果 | 第43-44页 |
| 4.3 蛋白质空间位置对蛋白质亚细胞定位的影响 | 第44-46页 |
| 4.4 生物特征数据的融合对蛋白质亚细胞定位的影响 | 第46-48页 |
| 4.4.1 特征设计 | 第46-47页 |
| 4.4.2 模型设计 | 第47页 |
| 4.4.3 实验结果 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第54-56页 |
| 致谢 | 第56页 |
