| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-25页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 研究现状 | 第15-23页 |
| 1.2.1 模体类型研究 | 第15-17页 |
| 1.2.2 模体发现算法研究 | 第17-21页 |
| 1.2.3 并行化技术和分布式技术研究 | 第21-23页 |
| 1.3 本文主要工作 | 第23页 |
| 1.4 论文组织结构 | 第23-25页 |
| 第2章 模体发现问题中的基本概念 | 第25-34页 |
| 2.1 共调控网络模体 | 第25页 |
| 2.2 共调控网络中的调控因子 | 第25-26页 |
| 2.2.1 基因 | 第25-26页 |
| 2.2.2 TF | 第26页 |
| 2.2.3 miRNA | 第26页 |
| 2.3 图论基础 | 第26-27页 |
| 2.3.1 共调控网络图 | 第26-27页 |
| 2.3.2 子图出现的次数 | 第27页 |
| 2.3.3 导出子图与非导出子图 | 第27页 |
| 2.4 共调控网络模体发现算法关键步骤 | 第27-30页 |
| 2.4.1 子图枚举 | 第28页 |
| 2.4.2 子图同构判别 | 第28页 |
| 2.4.3 随机网络生成 | 第28-30页 |
| 2.4.4 显著性计算 | 第30页 |
| 2.5 常见网络模体类型及其功能 | 第30-32页 |
| 2.6 共调控网络模体的GO(Gene Ontology)富集性分析 | 第32页 |
| 2.7 共调控网络模体与调控通路的关系 | 第32页 |
| 2.8 共调控网络模体与网络模块的关系 | 第32-33页 |
| 2.9 对模体结构的争论 | 第33页 |
| 2.10 本章小结 | 第33-34页 |
| 第3章 共调控网络中的高效模体发现算法 | 第34-47页 |
| 3.1 引言 | 第34-35页 |
| 3.2 方法 | 第35-41页 |
| 3.2.1 符号说明 | 第35-36页 |
| 3.2.2 大型网络模体发现算法 | 第36-37页 |
| 3.2.3 G-trie数据结构的原理 | 第37页 |
| 3.2.4 共调控网络中的G-trie数据结构 | 第37-38页 |
| 3.2.5 使用G-trie数据结构挖子图 | 第38-39页 |
| 3.2.6 网络的随机化 | 第39页 |
| 3.2.7 算法复杂度分析 | 第39-40页 |
| 3.2.8 并行计算 | 第40-41页 |
| 3.3 实验 | 第41-46页 |
| 3.3.1 实验环境 | 第41页 |
| 3.3.2 实验数据 | 第41页 |
| 3.3.3 对比算法 | 第41页 |
| 3.3.4 对比结果 | 第41-42页 |
| 3.3.5 性能提升 | 第42-43页 |
| 3.3.6 并行算法的有效性 | 第43-44页 |
| 3.3.7 发现更大规模的网络模体 | 第44-45页 |
| 3.3.8 共调控网络模体的团簇特征 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于MapReduce的共调控网络模体发现算法 | 第47-55页 |
| 4.1 前言 | 第47页 |
| 4.2 研究现状 | 第47-48页 |
| 4.3 MapReduce计算模型 | 第48-49页 |
| 4.4 算法描述 | 第49-51页 |
| 4.4.1 准备工作 | 第49页 |
| 4.4.2 MapReduce计算步骤 | 第49-51页 |
| 4.5 多线程提升CPU利用率 | 第51页 |
| 4.6 实验 | 第51-54页 |
| 4.6.1 实验环境 | 第51-52页 |
| 4.6.2 实验数据 | 第52页 |
| 4.6.3 实验结果 | 第52-54页 |
| 4.7 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-64页 |
| 附录A 攻读学位期间所发表的科研成果 | 第64-65页 |
| 附录B 攻读学位期间所参加的科研项目 | 第65-66页 |
| 致谢 | 第66页 |