提要 | 第4-5页 |
摘要 | 第5-8页 |
abstract | 第8-11页 |
第1章 绪论 | 第16-28页 |
1.1 课题研究背景 | 第16-18页 |
1.2 课题研究意义 | 第18-20页 |
1.3 课题研究现状 | 第20-24页 |
1.3.1 蛋白质序列表示的现状 | 第20-22页 |
1.3.2 蛋白质翻译后修饰位点预测的现状 | 第22-23页 |
1.3.3 现状分析 | 第23-24页 |
1.4 本文研究工作 | 第24-25页 |
1.5 章节安排 | 第25-28页 |
第2章 深度学习的相关知识 | 第28-42页 |
2.1 卷积神经网络 | 第28-30页 |
2.2 循环神经网络 | 第30-32页 |
2.3 胶囊网络 | 第32-35页 |
2.4 深度学习中的关键技术 | 第35-39页 |
2.4.1 激活函数 | 第35-36页 |
2.4.2 Dropout机制 | 第36-37页 |
2.4.3 Early-stopping机制 | 第37页 |
2.4.4 损失函数 | 第37-39页 |
2.5 深度学习的网络训练方法 | 第39-42页 |
第3章 基于深度学习的通用磷酸化位点预测方法 | 第42-66页 |
3.1 通用磷酸化位点预测问题定义 | 第42-45页 |
3.1.1 磷酸化生物背景介绍 | 第42-43页 |
3.1.2 通用磷酸化位点预测问题定义 | 第43-44页 |
3.1.3 以Musite为代表的其他磷酸化位点预测方法介绍 | 第44-45页 |
3.2 面向通用磷酸化位点预测问题的深度学习框架 | 第45-53页 |
3.2.1 氨基酸的离散型编码 | 第45-46页 |
3.2.2 基于双向注意力机制的MusiteDeep框架 | 第46-48页 |
3.2.3 模型超参数的选择 | 第48-49页 |
3.2.4 其他深度学习框架 | 第49-53页 |
3.3 针对不平衡训练数据的学习策略 | 第53-55页 |
3.4 实验验证与结果 | 第55-64页 |
3.4.1 通用磷酸化位点基准数据集 | 第55-56页 |
3.4.2 注意力机制的可视化展示 | 第56-59页 |
3.4.3 多种深度学习框架的比较结果 | 第59页 |
3.4.4 与提供训练过程的方法比较 | 第59-60页 |
3.4.5 与仅提供预测过程的方法比较 | 第60-61页 |
3.4.6 不同学习策略的比较 | 第61-63页 |
3.4.7 过学习的评估 | 第63-64页 |
3.5 本章结论与讨论 | 第64-66页 |
第4章 基于迁移学习的激酶特异性磷酸化位点预测方法 | 第66-80页 |
4.1 激酶特异性磷酸化位点预测问题定义 | 第66-67页 |
4.2 面向激酶特异性磷酸化位点预测问题的深度学习框架 | 第67-69页 |
4.3 实验验证与结果 | 第69-76页 |
4.3.1 激酶特异性磷酸化位点基准数据集 | 第69-70页 |
4.3.2 迁移学习在小样本学习上的可视化展示 | 第70-72页 |
4.3.3 与现有方法的比较 | 第72-76页 |
4.4 MUSITEDEEP工具包的介绍 | 第76-77页 |
4.5 本章结论与讨论 | 第77-80页 |
第5章 蛋白质翻译后修饰问题中的两种学习策略 | 第80-88页 |
5.1 物种间串行化训练策略 | 第80-83页 |
5.1.1 串行化训练方法 | 第80-82页 |
5.1.2 实验结果 | 第82-83页 |
5.2 模型并行化训练策略 | 第83-86页 |
5.2.1 并行化模型 | 第83-85页 |
5.2.2 实验结果 | 第85-86页 |
5.3 本章结论与讨论 | 第86-88页 |
第6章 胶囊网络在蛋白质翻译后修饰预测问题中的应用 | 第88-106页 |
6.1 基于胶囊网络的蛋白质翻译后修饰位点预测方法 | 第88-93页 |
6.1.1 氨基酸的连续型编码方式 | 第89-90页 |
6.1.2 网络结构设计 | 第90-92页 |
6.1.3 模型的训练 | 第92-93页 |
6.2 实验验证与结果 | 第93-103页 |
6.2.1 基准数据集 | 第93-94页 |
6.2.2 胶囊网络在小样本训练集上的表现 | 第94-96页 |
6.2.3 预测可靠性的评估 | 第96-97页 |
6.2.4 胶囊网络与其他方法在多种PTM位点预测问题上的比较 | 第97-98页 |
6.2.5 胶囊的生物解释 | 第98-103页 |
6.3 本章结论与讨论 | 第103-106页 |
第7章 全文工作总结与展望 | 第106-110页 |
7.1 全文工作总结 | 第106-108页 |
7.2 未来工作展望 | 第108-110页 |
参考文献 | 第110-118页 |
作者简介及在学期间所取得的科研成果 | 第118-120页 |
致谢 | 第120-121页 |