| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 课题研究的背景和意义 | 第9页 |
| 1.2 国内外研究进展 | 第9-11页 |
| 1.3 论文的结构安排 | 第11-12页 |
| 第二章 数据库的构建及计算方法简介 | 第12-19页 |
| 2.1 蛋白质与金属离子配体结合简介 | 第12-13页 |
| 2.2 本文使用的数据库和软件简介 | 第13-14页 |
| 2.2.1 数据库简介及数据集构建 | 第13-14页 |
| 2.2.2 本文使用的软件简介 | 第14页 |
| 2.3 算法和评价指标介绍 | 第14-18页 |
| 2.3.1 离散增量算法 | 第15页 |
| 2.3.2 矩阵打分算法 | 第15-16页 |
| 2.3.3 支持向量机算法 | 第16页 |
| 2.3.4 随机森林算法 | 第16-17页 |
| 2.3.5 检验方法和评价指标 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 SVM算法识别金属离子结合残基 | 第19-29页 |
| 3.1 金属离子结合残基及其微环境性质研究 | 第19-23页 |
| 3.1.1 位点氨基酸保守信息的统计分析 | 第19页 |
| 3.1.2 氨基酸组分信息的统计分析 | 第19-20页 |
| 3.1.3 氨基酸的物化特性 | 第20-21页 |
| 3.1.4 预测的结构信息 | 第21-23页 |
| 3.2 特征参数提取 | 第23页 |
| 3.3 计算结果与讨论 | 第23-28页 |
| 3.3.1 滑动窗口长度确定 | 第23-24页 |
| 3.3.2 五交叉检验下矩阵打分算法的识别结果 | 第24页 |
| 3.3.3 五交叉检验下支持向量机算法的识别结果 | 第24-27页 |
| 3.3.4 独立检验下支持向量机算法的识别结果 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 基于随机森林算法识别金属离子结合残基 | 第29-33页 |
| 4.1 特征参数提取 | 第29-30页 |
| 4.2 计算结果与讨论 | 第30-32页 |
| 4.2.1 支持向量机算法与随机森林算法的识别结果 | 第30页 |
| 4.2.2 随机森林算法下不同参数的识别结果 | 第30-32页 |
| 4.3 本章小结 | 第32-33页 |
| 第五章 在线服务器搭建 | 第33-36页 |
| 5.1 基本框架 | 第33页 |
| 5.2 工作流程 | 第33-34页 |
| 5.3 最终用户提交页面 | 第34-36页 |
| 第六章 总结和展望 | 第36-38页 |
| 6.1 总结 | 第36页 |
| 6.2 展望 | 第36-38页 |
| 参考文献 | 第38-43页 |
| 附录A：溶剂可及性面积统计图 | 第43-46页 |
| 致谢 | 第46-47页 |
| 在研期间获得的科研成果 | 第47页 |