| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第11-26页 |
| 1.1 研究背景 | 第11-16页 |
| 1.1.1 蛋白质翻译后修饰 | 第11-12页 |
| 1.1.2 原核生物类泛素化 | 第12-14页 |
| 1.1.3 泛素化 | 第14-15页 |
| 1.1.4 琥珀酰化 | 第15-16页 |
| 1.2 研究意义 | 第16-18页 |
| 1.3 研究现状 | 第18-23页 |
| 1.3.1 Pupylation位点预测研究现状 | 第18-20页 |
| 1.3.2 泛素化位点预测研究现状 | 第20-22页 |
| 1.3.3 琥珀酰化位点预测研究现状 | 第22-23页 |
| 1.4 本文主要工作 | 第23-26页 |
| 第二章 生物信息学中的机器学习算法及性能评价指标 | 第26-38页 |
| 2.1 特征提取 | 第26-29页 |
| 2.1.1 伪氨基酸构成 | 第26-27页 |
| 2.1.2 蛋白质无序性打分 | 第27页 |
| 2.1.3 氨基酸理化性质 | 第27-28页 |
| 2.1.4 位置特异性得分矩阵 | 第28页 |
| 2.1.5 k-间隔氨基酸对构成 | 第28-29页 |
| 2.2 学习策略 | 第29-31页 |
| 2.2.1 监督学习 | 第29-30页 |
| 2.2.2 半监督学习 | 第30-31页 |
| 2.2.3 无监督学习 | 第31页 |
| 2.3 分类算法 | 第31-35页 |
| 2.3.1 支持向量机 | 第31-33页 |
| 2.3.2 决策树 | 第33页 |
| 2.3.3 随机森林 | 第33-34页 |
| 2.3.4 逻辑回归 | 第34页 |
| 2.3.5 深度学习 | 第34-35页 |
| 2.4 算法性能评价指标 | 第35-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 基于增强PU学习算法的蛋白质Pupylation位点预测 | 第38-51页 |
| 3.1 前言 | 第38-39页 |
| 3.2 实验数据与计算方法 | 第39-45页 |
| 3.2.1 数据集构建 | 第39页 |
| 3.2.2 特征提取与特征选择 | 第39-42页 |
| 3.2.3 EPuL算法开发 | 第42-45页 |
| 3.3 实验及结果分析 | 第45-50页 |
| 3.3.1 训练集上的实验结果 | 第46-47页 |
| 3.3.2 独立测试集上的实验结果 | 第47-49页 |
| 3.3.3 对未知位点信息的Pupylation修饰蛋白的预测 | 第49页 |
| 3.3.4 特征分析 | 第49-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于半监督集成学习方法的蛋白质泛素化位点预测 | 第51-75页 |
| 4.1 前言 | 第51-52页 |
| 4.2 实验数据与计算方法 | 第52-65页 |
| 4.2.1 数据收集与整理 | 第52-54页 |
| 4.2.2 特征提取 | 第54-60页 |
| 4.2.3 算法开发过程 | 第60-65页 |
| 4.3 实验结果分析 | 第65-73页 |
| 4.3.1 性能评价指标 | 第65-66页 |
| 4.3.2 训练集上的实验结果 | 第66-68页 |
| 4.3.3 独立测试集上的实验结果 | 第68-71页 |
| 4.3.4 特征分析 | 第71-73页 |
| 4.4 本章小结 | 第73-75页 |
| 第五章 基于深度学习技术的蛋白质琥珀酰化位点预测 | 第75-90页 |
| 5.1 前言 | 第75-76页 |
| 5.2 实验数据与计算方法 | 第76-85页 |
| 5.2.1 数据收集与整理 | 第76-77页 |
| 5.2.2 特征矩阵的构建 | 第77-80页 |
| 5.2.3 可靠负样本集的选取 | 第80-82页 |
| 5.2.4 深度学习框架构建与训练 | 第82-85页 |
| 5.3 实验结果分析 | 第85-89页 |
| 5.3.1 性能评价指标 | 第85页 |
| 5.3.2 窗口长度选择 | 第85-86页 |
| 5.3.3 训练集上的实验结果 | 第86-87页 |
| 5.3.4 独立测试集上的实验结果 | 第87-89页 |
| 5.4 本章小结 | 第89-90页 |
| 第六章 总结与展望 | 第90-93页 |
| 6.1 总结 | 第90-92页 |
| 6.2 展望 | 第92-93页 |
| 参考文献 | 第93-101页 |
| 致谢 | 第101-102页 |
| 在学期间公开发表论文及著作情况 | 第102页 |
