| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-25页 |
| 1.1 人类基因组计划 | 第11-12页 |
| 1.2 蛋白质组学和蛋白质介绍 | 第12-15页 |
| 1.3 蛋白质相互作用介绍 | 第15-18页 |
| 1.4 PPI预测研究现状 | 第18-21页 |
| 1.5 基于氨基酸序列的机器学习方法预测PPI流程概述 | 第21-22页 |
| 1.6 本文的主要内容 | 第22-23页 |
| 1.7 本文的结构安排 | 第23-25页 |
| 第二章 数据收集 | 第25-33页 |
| 2.1 正例数据 | 第25-27页 |
| 2.2 反例数据 | 第27-29页 |
| 2.3 数据集构造 | 第29-33页 |
| 2.3.1 Negatome数据集 | 第29-31页 |
| 2.3.2 AminoAcidsReorder数据集 | 第31-32页 |
| 2.3.3 ProteinRecombine数据集 | 第32-33页 |
| 第三章 特征提取和特征选择 | 第33-47页 |
| 3.1 特征提取 | 第33-39页 |
| 3.1.1 N-Gram | 第33-34页 |
| 3.1.2 2-Gram-K-Skip | 第34-35页 |
| 3.1.3 基于理化性质(The physical and chemical properties,PCP188) | 第35-36页 |
| 3.1.4 基于位置特异性评分矩阵 | 第36-38页 |
| 3.1.5 基于二级结构( secondary structure 12, SS12) | 第38-39页 |
| 3.2 特征融合 | 第39-40页 |
| 3.3 特征选择 | 第40-47页 |
| 3.3.1 最大相关最大距离特征选择方法(Max-Relevance-Max-Distance) | 第41-44页 |
| 3.3.2 基于Z检验 | 第44页 |
| 3.3.3 信息增益(information gain) | 第44-47页 |
| 第四章 集成学习及实验结果分析 | 第47-83页 |
| 4.1 集成学习 | 第47-51页 |
| 4.2 学习器的评价指标 | 第51-53页 |
| 4.2.1 错误率(error rate)和精度(accuracy) | 第51页 |
| 4.2.2 精度、召回率和F1 | 第51-53页 |
| 4.3 多样性度量 | 第53-54页 |
| 4.4 LibD3C | 第54-58页 |
| 4.5 AdaBoost | 第58-60页 |
| 4.6 Bagging | 第60-61页 |
| 4.7 Random Forest | 第61-62页 |
| 4.8 实验结果分析 | 第62-83页 |
| 4.8.1 AminoAcidsReorder数据集 | 第62-65页 |
| 4.8.2 ProteinRecombine数据集 | 第65-67页 |
| 4.8.3 Negatome数据集 | 第67-70页 |
| 4.8.4 不同数据集之间的对比 | 第70-73页 |
| 4.8.5 特征选择分析 | 第73-83页 |
| 第五章 总结及展望 | 第83-87页 |
| 5.1 本文工作总结 | 第83-84页 |
| 5.2 未来工作展望 | 第84-87页 |
| 参考文献 | 第87-91页 |
| 攻读硕士学位期间发表论文 | 第91-93页 |
| 致谢 | 第93-94页 |
