| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-17页 |
| ·研究背景 | 第11-15页 |
| ·生物信息学简介 | 第11-12页 |
| ·机器学习方法在生物信息学中的应用 | 第12-13页 |
| ·蛋白质翻译后修饰 | 第13-14页 |
| ·蛋白质相互作用 | 第14-15页 |
| ·本文工作 | 第15-17页 |
| ·本文的研究内容 | 第15-16页 |
| ·本文的组织结构 | 第16-17页 |
| 第二章 机器学习算法 | 第17-27页 |
| ·决策树算法 | 第17-19页 |
| ·决策树相关概念 | 第17-18页 |
| ·随机森林算法 | 第18-19页 |
| ·k近邻算法 | 第19-21页 |
| ·支持向量机算法 | 第21-25页 |
| ·统计学习理论 | 第21-22页 |
| ·支持向量分类器 | 第22-24页 |
| ·支持向量机核函数 | 第24-25页 |
| ·集成学习算法 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于集成学习的蛋白质泛素化位点预测 | 第27-38页 |
| ·引言 | 第27-28页 |
| ·实验材料和方法 | 第28-33页 |
| ·数据收集和整理 | 第28-29页 |
| ·序列编码 | 第29-31页 |
| ·基于互信息的特征选择 | 第31-32页 |
| ·模型构建和性能评价 | 第32-33页 |
| ·实验结果及分析 | 第33-37页 |
| ·集成分类器的性能 | 第33-35页 |
| ·与其它方法的比较 | 第35-36页 |
| ·特征分析 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于mRMR特征选择和分析的原核生物pupylation位点预测 | 第38-48页 |
| ·引言 | 第38-39页 |
| ·实验材料和方法 | 第39-43页 |
| ·数据收集和整理 | 第39-40页 |
| ·特征参数的选取 | 第40-41页 |
| ·mRMR特征选择方法 | 第41-42页 |
| ·增量的特征选择方法 | 第42页 |
| ·模型构建和性能评价 | 第42-43页 |
| ·实验结果及分析 | 第43-47页 |
| ·最优特征子集选取 | 第43页 |
| ·特征分析 | 第43-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于k-spaced氨基酸对构成编码的蛋白质磷酸化位点预测 | 第48-61页 |
| ·引言 | 第48-49页 |
| ·实验材料和方法 | 第49-52页 |
| ·数据收集和整理 | 第49-50页 |
| ·特征向量的构建 | 第50页 |
| ·特征选择 | 第50-51页 |
| ·模型构建和性能评价 | 第51-52页 |
| ·实验结果及分析 | 第52-58页 |
| ·CKSAAP_PhSite预测工具的性能 | 第52-54页 |
| ·特征分析 | 第54页 |
| ·与二元编码方案的性能比较 | 第54-57页 |
| ·与其它预测工具的性能比较 | 第57-58页 |
| ·Web服务开发 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第六章 基于扩增的Chou’s伪氨基酸构成编码的蛋白质-蛋白质相互作用预测 | 第61-71页 |
| ·引言 | 第61-62页 |
| ·实验材料和方法 | 第62-67页 |
| ·数据收集和整理 | 第62页 |
| ·蛋白质-蛋白质相互作用的编码表示 | 第62-66页 |
| ·主成分分析 | 第66页 |
| ·模型构建和性能评价 | 第66-67页 |
| ·实验结果及分析 | 第67-70页 |
| ·预测工具的性能 | 第67-68页 |
| ·与其它方法的性能比较 | 第68页 |
| ·特征分析 | 第68-70页 |
| ·本章小结 | 第70-71页 |
| 第七章 总结与展望 | 第71-74页 |
| ·总结 | 第71-72页 |
| ·展望 | 第72-74页 |
| 参考文献 | 第74-85页 |
| 致谢 | 第85-86页 |
| 在学期间公开发表论文及著作情况 | 第86页 |
