摘要 | 第3-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-14页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-12页 |
1.3 本文主要工作及结构 | 第12-14页 |
第二章 蛋白质功能问题预测相关理论 | 第14-25页 |
2.1 蛋白质基础理论 | 第14-17页 |
2.1.1 蛋白质组成成分 | 第14页 |
2.1.2 氨基酸理化性质 | 第14-16页 |
2.1.3 蛋白质结构层次 | 第16-17页 |
2.2 蛋白质结构类预测 | 第17-19页 |
2.2.1 蛋白质结构类概述 | 第17-18页 |
2.2.2 蛋白质结构类预测的计算方法 | 第18-19页 |
2.3 蛋白质相互作用预测 | 第19-21页 |
2.3.1 蛋白质相互作用概述 | 第19-20页 |
2.3.2 蛋白质相互作用预测的计算方法 | 第20-21页 |
2.4 蛋白质相关数据库 | 第21-24页 |
2.4.1 PDB数据库 | 第21-22页 |
2.4.2 DIP数据库 | 第22页 |
2.4.3 SCOP数据库 | 第22-23页 |
2.4.4 Swiss-Prot数据库 | 第23页 |
2.4.5 pfam数据库 | 第23-24页 |
2.5 本章小结 | 第24-25页 |
第三章 基于自相关系数和伪氨基酸组成的蛋白质结构类预测 | 第25-37页 |
3.1 支持向量机理论 | 第25-27页 |
3.2 基于自相关系数和伪氨基酸组成的蛋白质结构类预测 | 第27-30页 |
3.2.1 氨基酸组成编码(AAC) | 第27-28页 |
3.2.2 自相关系数编码(AC) | 第28-29页 |
3.2.3 伪氨基酸组成(PseAAC) | 第29-30页 |
3.3 实验 | 第30-36页 |
3.3.1 数据集及评价指标 | 第30-31页 |
3.3.2 支持向量机参数选择 | 第31-32页 |
3.3.3 实验结果与分析 | 第32-36页 |
3.4 本章小结 | 第36-37页 |
第四章 基于结构域信息和多示例学习的蛋白质相互作用预测 | 第37-49页 |
4.1 多示例学习 | 第37-41页 |
4.1.1 多示例框架 | 第37-39页 |
4.1.2 Bagging_C_kNN算法 | 第39页 |
4.1.3 MilCa算法 | 第39-41页 |
4.2 基于结构域信息和多示例学习的蛋白质相互作用预测 | 第41-44页 |
4.2.1 方法思想 | 第41-42页 |
4.2.2 示例构造 | 第42-43页 |
4.2.3 方法描述 | 第43-44页 |
4.3 实验 | 第44-48页 |
4.3.1 数据集及评价指标 | 第44-46页 |
4.3.2 实验结果及分析 | 第46-48页 |
4.4 本章小结 | 第48-49页 |
第五章 总结与展望 | 第49-51页 |
5.1 本文总结 | 第49-50页 |
5.2 未来展望 | 第50-51页 |
参考文献 | 第51-59页 |
附录A 图索引 | 第59-60页 |
Appendix A Figure Index | 第60-61页 |
附录B 表索引 | 第61-62页 |
Appendix B Table Index | 第62-63页 |
致谢 | 第63-65页 |
攻读硕士学位期间参与的科研项目与发表的论文 | 第65-66页 |
导师、作者简介 | 第66页 |