蛋白质质谱数据分析模型及其应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 蛋白组质谱技术研究现状 | 第10-12页 |
| 1.2.2 蛋白组质谱数据处理研究现状 | 第12-13页 |
| 1.2.3 蛋白组质谱数据分析研究现状 | 第13页 |
| 1.2.4 蛋白质图形表示研究现状 | 第13-14页 |
| 1.3 本文的主要工作 | 第14-16页 |
| 2 蛋白质质谱数据预处理 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 蛋白质组学质谱数据 | 第16-18页 |
| 2.2.1 质谱原始数据的介绍 | 第16-17页 |
| 2.2.2 实验数据集的介绍 | 第17-18页 |
| 2.3 蛋白质组学质谱数据预处理 | 第18-19页 |
| 2.3.1 数据去噪 | 第18-19页 |
| 2.3.2 质谱数据基线校正 | 第19页 |
| 2.3.3 质谱数据提取 | 第19页 |
| 2.4 实验数据集的预处理 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 蛋白质质谱数据特征选择 | 第22-29页 |
| 3.1 引言 | 第22页 |
| 3.2 质谱数据转化为蛋白质序列 | 第22-23页 |
| 3.3 序列准星形图 | 第23-28页 |
| 3.3.1 构建序列准星形图 | 第24-25页 |
| 3.3.2 计算准星形图的各种拓扑指数 | 第25-28页 |
| 3.4 本章小结 | 第28-29页 |
| 4 蛋白质质谱数据分类模型 | 第29-43页 |
| 4.1 引言 | 第29页 |
| 4.2 机器学习算法 | 第29-33页 |
| 4.2.1 支持向量机 | 第30-32页 |
| 4.2.2 分类性能度量 | 第32-33页 |
| 4.3 构建二分类模型 | 第33-35页 |
| 4.3.1 数据归一化 | 第33页 |
| 4.3.2 核函数的种类 | 第33-34页 |
| 4.3.3 构建模型 | 第34-35页 |
| 4.4 模型预测结果 | 第35-42页 |
| 4.4.1 线性核函数 | 第35-36页 |
| 4.4.2 多项式核函数 | 第36-38页 |
| 4.4.3 高斯核函数 | 第38-39页 |
| 4.4.4 Sigmoid核函数 | 第39-40页 |
| 4.4.5 结果分析 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 5 二分类模型的应用及其推广 | 第43-49页 |
| 5.1 引言 | 第43页 |
| 5.2 二分类情况 | 第43-46页 |
| 5.2.1 实验数据集介绍 | 第43页 |
| 5.2.2 控制组和癌症组的分类预测 | 第43-44页 |
| 5.2.3 控制组和良性组的分类预测 | 第44-45页 |
| 5.2.4 良性组和癌症组的分类预测 | 第45-46页 |
| 5.3 二分类模型推广到三分类模型 | 第46-48页 |
| 5.4 本章小结 | 第48-49页 |
| 6 总结和展望 | 第49-51页 |
| 6.1 内容总结 | 第49页 |
| 6.2 展望 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间的研究成果 | 第56-57页 |
| 致谢 | 第57页 |
