基于高通量表达数据的基因组织特异性检测与分析
| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 管家基因和组织特异性基因 | 第11-12页 |
| 1.1.1 定义方式 | 第11页 |
| 1.1.2 功能差异 | 第11-12页 |
| 1.2 实验方法 | 第12-16页 |
| 1.2.1 高通量实验技术 | 第13-15页 |
| 1.2.2 实验技术比较 | 第15-16页 |
| 1.3 基因表达图谱 | 第16-19页 |
| 1.3.1 基因表达图谱获取 | 第16-17页 |
| 1.3.2 基因表达数据结构 | 第17页 |
| 1.3.3 基因表达数据预处理 | 第17-19页 |
| 1.3.4 基因表达数据分析 | 第19页 |
| 1.4 论文研究内容与结构 | 第19-21页 |
| 1.4.1 研究内容 | 第19-20页 |
| 1.4.2 论文结构 | 第20-21页 |
| 第二章 鉴定方法特性分析 | 第21-35页 |
| 2.1 工作数据集简介 | 第21-22页 |
| 2.2 实验数据集简介 | 第22-23页 |
| 2.3 鉴定方法特性分析 | 第23-33页 |
| 2.3.1 鉴定指标及其派生方法整合 | 第23-27页 |
| 2.3.2 鉴定方法特性分析 | 第27-33页 |
| 2.4 小结 | 第33-35页 |
| 第三章 管家基因和组织特异性基因分类 | 第35-53页 |
| 3.1 支持向量机理论 | 第35-38页 |
| 3.1.1 统计学习理论 | 第35-36页 |
| 3.1.2 支持向量机分类算法 | 第36-38页 |
| 3.1.3 常用核函数 | 第38页 |
| 3.1.4 支持向量机特点 | 第38页 |
| 3.2 其他常用分类方法 | 第38-41页 |
| 3.2.1 最近邻算法 | 第39页 |
| 3.2.2 决策树算法 | 第39-40页 |
| 3.2.3 贝叶斯算法 | 第40页 |
| 3.2.4 人工神经网络算法 | 第40-41页 |
| 3.3 基因表达图谱特征选择 | 第41-44页 |
| 3.3.1 特征选择方法 | 第41-42页 |
| 3.3.2 特征选择过程 | 第42页 |
| 3.3.3 特征选择算法 | 第42-43页 |
| 3.3.4 特征选择结果 | 第43-44页 |
| 3.4 分类器性能评价 | 第44-45页 |
| 3.4.1 工作数据集构建 | 第44-45页 |
| 3.4.2 受试者工作曲线 | 第45页 |
| 3.5 管家基因和组织特异性基因分类鉴定 | 第45-51页 |
| 3.5.1 五种分类器鉴定结果 | 第46-49页 |
| 3.5.2 径向基核函数的支持向量机分类鉴定 | 第49-51页 |
| 3.6 小结 | 第51-53页 |
| 第四章 基因组织特异性分析 | 第53-67页 |
| 4.1 基因表达模式分析 | 第53-58页 |
| 4.1.1 聚类分析 | 第53-57页 |
| 4.1.2 内参基因比较分析 | 第57-58页 |
| 4.2 GO注释分析 | 第58-62页 |
| 4.2.1 管家基因GO注释分析 | 第59-60页 |
| 4.2.2 组织特异性基因GO注释分析 | 第60-61页 |
| 4.2.3 GO注释分析小结 | 第61-62页 |
| 4.3 KEGG通路分析 | 第62-66页 |
| 4.3.1 管家基因KEGG通路分析 | 第62-63页 |
| 4.3.2 组织特异性基因KEGG通路分析 | 第63-65页 |
| 4.3.3 KEGG通路分析小结 | 第65-66页 |
| 4.4 小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-70页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 作者在学期间取得的学术成果 | 第75-76页 |
| 附录A scikit-learn常用类 | 第76-77页 |
| 附录B 16个组织中内参基因表达情况 | 第77-78页 |
| 附录C 组织特异性基因分布比例及表达差异图 | 第78页 |
