| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.1.1 研究背景 | 第15-17页 |
| 1.1.2 研究意义 | 第17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.2.1 国外研究现状 | 第17-18页 |
| 1.2.2 国内研究现状 | 第18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 本文结构安排 | 第19-21页 |
| 第二章 SNP致病作用识别方法介绍与性能比较 | 第21-39页 |
| 2.1 单位点关联性测试 | 第21-22页 |
| 2.2 随机森林方法识别致病SNP位点 | 第22-25页 |
| 2.2.1 决策树CART | 第22页 |
| 2.2.2 分裂节点 | 第22-23页 |
| 2.2.3 构建随机森林 | 第23页 |
| 2.2.4 变量重要性值 | 第23-24页 |
| 2.2.5 随机森林识别致病SNP位点 | 第24-25页 |
| 2.3 ReliefF方法识别致病SNP位点 | 第25-27页 |
| 2.3.1 原始Relief方法 | 第25-26页 |
| 2.3.2 ReliefF和TuRF | 第26页 |
| 2.3.3 假设间隔理论 | 第26-27页 |
| 2.4 SNP致病作用识别方法性能比较 | 第27-39页 |
| 2.4.1 单位点关联测试 | 第29-31页 |
| 2.4.2 随机森林方法 | 第31-35页 |
| 2.4.3 ReliefF方法 | 第35-36页 |
| 2.4.4 三种方法的识别率对比 | 第36-39页 |
| 第三章 结合随机森林和ReliefF的识别方法 | 第39-51页 |
| 3.1 基尼重要性值与ReliefF权重的关联 | 第39-41页 |
| 3.2 TuRF | 第41-42页 |
| 3.3 结合随机森林和ReliefF的后向缩减排序方法 | 第42-45页 |
| 3.3.1 方法步骤 | 第42-44页 |
| 3.3.2 方法分析 | 第44-45页 |
| 3.4 结合随机森林和ReliefF的弹性网方法 | 第45-49页 |
| 3.4.1 弹性网 | 第45-46页 |
| 3.4.2 方法思想 | 第46-48页 |
| 3.4.3 方法分析 | 第48-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第四章 实验研究与分析 | 第51-65页 |
| 4.1 实验数据集 | 第51-53页 |
| 4.1.1 模拟数据集 | 第51-53页 |
| 4.1.2 真实数据集AMD | 第53页 |
| 4.2 本方法运行结果与分析 | 第53-63页 |
| 4.2.1 随机森林在模拟数据组上的识别结果 | 第53-55页 |
| 4.2.2 ReliefF在模拟数据组的识别结果 | 第55-56页 |
| 4.2.3 结合随机森林和ReliefF的后向缩减排序方法的识别结果 | 第56-60页 |
| 4.2.4 结合随机森林和ReliefF的弹性网方法的识别结果 | 第60-63页 |
| 4.3 本章小结 | 第63-65页 |
| 第五章 结论和展望 | 第65-67页 |
| 5.1 研究结论 | 第65页 |
| 5.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |
