| 摘要 | 第1-9页 |
| Abstract | 第9-15页 |
| 第一章 绪论 | 第15-20页 |
| ·生物信息学简介 | 第15-16页 |
| ·机器学习算法在生物信息学中的应用 | 第16-18页 |
| ·QSAR 简介 | 第18-19页 |
| ·论文的主要内容 | 第19-20页 |
| 第二章 机器学习算法 | 第20-40页 |
| ·决策树算法 | 第20-25页 |
| ·C4.5 算法 | 第21-23页 |
| ·随机决策树算法 | 第23-24页 |
| ·随机森林算法 | 第24-25页 |
| ·集成学习算法 | 第25-33页 |
| ·集成学习算法概述 | 第25-28页 |
| ·AdaBoost 算法 | 第28-31页 |
| ·Boosting 算法介绍 | 第28-29页 |
| ·Adaboost 算法描述 | 第29-31页 |
| ·Bagging 算法 | 第31-33页 |
| ·Bagging 算法的提出 | 第31-32页 |
| ·Bagging 算法描述 | 第32-33页 |
| ·SVM 算法 | 第33-39页 |
| ·统计学习理论 | 第33-34页 |
| ·支持向量分类算法 | 第34-37页 |
| ·最优分类面 | 第34-35页 |
| ·线性可分的情况 | 第35-37页 |
| ·非线性可分情况 | 第37页 |
| ·支持向量机核函数 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 基于集成学习算法的蛋白质结构类型与功能定位预测 | 第40-81页 |
| ·引言 | 第40页 |
| ·蛋白质结构类型预测 | 第40-52页 |
| ·研究背景 | 第40-42页 |
| ·数据集以及特征参数的提取 | 第42-43页 |
| ·计算结果 | 第43-50页 |
| ·分析与讨论 | 第50-52页 |
| ·AdaBoost 算法与其它算法预报性能的比较 | 第50-51页 |
| ·AdaBoost 算法中参数的选择 | 第51-52页 |
| ·蛋白质亚细胞定位预测 | 第52-67页 |
| ·研究背景 | 第52-54页 |
| ·蛋白质亚细胞定位的生物学基础 | 第52-53页 |
| ·亚细胞定位预测方法现状 | 第53-54页 |
| ·数据集以及特征参数的提取 | 第54-56页 |
| ·计算结果 | 第56-64页 |
| ·模型的优化 | 第56-63页 |
| ·预报模型验证 | 第63-64页 |
| ·分析与讨论 | 第64-67页 |
| ·氨基酸组成特征分析 | 第64-66页 |
| ·与其它算法的预报准确率比较 | 第66-67页 |
| ·膜蛋白类型预测 | 第67-77页 |
| ·研究背景 | 第67-68页 |
| ·膜蛋白生物学基础 | 第67-68页 |
| ·膜蛋白类型预测方法现状 | 第68页 |
| ·数据集以及特征参数的提取 | 第68-70页 |
| ·计算结果 | 第70-75页 |
| ·基本分类器的选择及其参数优化 | 第70-74页 |
| ·预报模型验证 | 第74-75页 |
| ·分析与讨论 | 第75-77页 |
| ·氨基酸组成特征分析 | 第75-76页 |
| ·与其它机器学习算法的预测性能比较 | 第76-77页 |
| ·Web 服务 | 第77-80页 |
| ·本章小结 | 第80-81页 |
| 第四章 基于集成学习算法的小分子生物功能预测 | 第81-113页 |
| ·前言 | 第81-83页 |
| ·小分子代谢途径类型研究 | 第83-97页 |
| ·研究背景 | 第83-84页 |
| ·数据集 | 第84-86页 |
| ·小分子化合物的采集 | 第84-85页 |
| ·化合物编码 | 第85-86页 |
| ·计算结果 | 第86-93页 |
| ·模型的优化 | 第86-91页 |
| ·预报模型评估 | 第91-93页 |
| ·分析与讨论 | 第93-97页 |
| ·官能团组成特征分析 | 第93-96页 |
| ·AdaBoost 算法与其它算法预测性能比较 | 第96-97页 |
| ·小分子-酶相互作用研究 | 第97-112页 |
| ·研究背景 | 第97-98页 |
| ·数据集和特征表示 | 第98-101页 |
| ·小分子化合物的采集 | 第98页 |
| ·编码方式 | 第98-101页 |
| ·计算结果 | 第101-105页 |
| ·模型的优化 | 第101-105页 |
| ·预报模型评估 | 第105页 |
| ·分析与讨论 | 第105-112页 |
| ·官能团组成特征分析 | 第105-107页 |
| ·酶特征分析 | 第107-112页 |
| ·W eb 服务开发 | 第112页 |
| ·小结 | 第112-113页 |
| 第五章 基于CFS-AdaBoost 算法的苯酚类化合物毒性机理构效关系研究 | 第113-126页 |
| ·引言 | 第113-114页 |
| ·材料和方法 | 第114-116页 |
| ·数据集 | 第114页 |
| ·分子描述符 | 第114-115页 |
| ·基于CfsSubset (Correlation-based Feature Subset)算法的特征选择 | 第115-116页 |
| ·计算结果 | 第116-121页 |
| ·描述符选择 | 第116页 |
| ·基本分类器的选择及其参数优化 | 第116-120页 |
| ·预报模型验证 | 第120-121页 |
| ·分析与讨论 | 第121-123页 |
| ·特征分析 | 第121-122页 |
| ·与其它算法预测性能比较 | 第122-123页 |
| ·Web 服务 | 第123-125页 |
| ·本章小结 | 第125-126页 |
| 第六章 基于m RMR-KNN 算法的HIV-1 蛋白酶特异性位点预测 | 第126-139页 |
| ·引言 | 第126-129页 |
| ·数据集和方法 | 第129-131页 |
| ·数据集准备 | 第129页 |
| ·mRMR 方法 | 第129-131页 |
| ·结果与讨论 | 第131-137页 |
| ·特征选取 | 第131-134页 |
| ·不同子集建模预报能力比较 | 第134页 |
| ·特征分析 | 第134-137页 |
| ·本章小结 | 第137-139页 |
| 第七章 结论与展望 | 第139-144页 |
| ·结论 | 第139-142页 |
| ·展望 | 第142-144页 |
| 参考文献 | 第144-172页 |
| 攻读博士学位期间发表及完成的论文目录和专利 | 第172-174页 |
| 致谢 | 第174页 |
