| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 引言 | 第9页 |
| 1.2 选题意义与目的 | 第9-11页 |
| 1.2.1 选题意义 | 第9-11页 |
| 1.2.2 选题目的 | 第11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 研究内容及研究目标 | 第12-13页 |
| 1.4.1 研究内容 | 第12-13页 |
| 1.4.2 研究目标 | 第13页 |
| 1.5 本文的章节安排及内容 | 第13-15页 |
| 第2章 DNase-Seq高通量测序技术 | 第15-25页 |
| 2.1 高通量测序技术 | 第15-18页 |
| 2.1.1 模板准备 | 第16页 |
| 2.1.2 测序 | 第16-17页 |
| 2.1.3 合成测序 | 第17-18页 |
| 2.1.4 杂交和连接测序 | 第18页 |
| 2.2 ChIP-seq技术 | 第18-20页 |
| 2.3 ATAC-seq技术 | 第20-21页 |
| 2.4 DNase-seq技术 | 第21-22页 |
| 2.5 转录因子结合位点 | 第22-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 DNase-Seq数据预处理 | 第25-37页 |
| 3.1 PWM模型 | 第25-26页 |
| 3.2 DNase-seq数据及转录因子PWM数据 | 第26-27页 |
| 3.3 数据提取 | 第27-31页 |
| 3.3.1 DNase-seq数据提取 | 第27-29页 |
| 3.3.2 PWM数据提取 | 第29-31页 |
| 3.4 DNase-seq数据预处理 | 第31-32页 |
| 3.4.1 DNase-seq初始数据的形成 | 第31页 |
| 3.4.2 DNase-seq数据的对齐 | 第31页 |
| 3.4.3 去除DNase-seq数据中的Bias | 第31-32页 |
| 3.5 DNase-seq数据特点 | 第32-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第4章 转录因子结合位点识别 | 第37-47页 |
| 4.1 转录因子结合位点识别模型构建过程 | 第37-42页 |
| 4.1.1 自动编码器 | 第37-38页 |
| 4.1.2 反向传播算法 | 第38-41页 |
| 4.1.3 逻辑斯特回归 | 第41-42页 |
| 4.2 转录因子结合位点识别模型构建 | 第42-44页 |
| 4.3 模型实现 | 第44-45页 |
| 4.3.1 神经网络结构确定 | 第44页 |
| 4.3.2 神经网络训练 | 第44-45页 |
| 4.3.3 参数调整 | 第45页 |
| 4.4 基于自动编码器的转录因子结合位点分析 | 第45页 |
| 4.5 本章小结 | 第45-47页 |
| 第5章 转录因子结合位点识别模型评价 | 第47-61页 |
| 5.1 识别结果分析 | 第47-51页 |
| 5.1.1 样本数据 | 第47页 |
| 5.1.2 样本数据划分 | 第47-48页 |
| 5.1.3 分类结果说明 | 第48-51页 |
| 5.2 识别模型性能评价 | 第51-58页 |
| 5.3 对转录因子结合位点实现多分类的讨论 | 第58-60页 |
| 5.3.1 转录因子结合位点多分类的实现 | 第58-59页 |
| 5.3.2 转录因子结合位点识别结果说明 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-71页 |
| 致谢 | 第71页 |