| 摘要 | 第1-9页 |
| ABSTRACT | 第9-12页 |
| 第1章 绪论 | 第12-20页 |
| ·生物信息学 | 第12-15页 |
| ·生物信息学中的统计预测方法 | 第15-18页 |
| ·隐马尔科夫模型 | 第16-17页 |
| ·支持向量机 | 第17-18页 |
| ·k近邻方法 | 第18页 |
| ·本文的研究介绍 | 第18-20页 |
| 第2章 基于隐马尔科夫模型的蛋白质跨膜螺旋的预测 | 第20-42页 |
| ·绪论 | 第20页 |
| ·隐马尔科夫模型 | 第20-30页 |
| ·引言 | 第20-21页 |
| ·HMM的基本原理 | 第21-26页 |
| ·评估问题 | 第22-23页 |
| ·解码问题 | 第23-24页 |
| ·学习问题 | 第24-26页 |
| ·HMM的优缺点 | 第26页 |
| ·HMM的若干应用 | 第26-30页 |
| ·基因查询 | 第26-27页 |
| ·对序列家族的识别 | 第27-28页 |
| ·对已知序列局部特征的检测与预测 | 第28-30页 |
| ·结论 | 第30页 |
| ·蛋白质跨膜螺旋的生物学基础 | 第30-34页 |
| ·膜蛋白的存在形式 | 第30-31页 |
| ·整合蛋白的穿膜现象 | 第31-32页 |
| ·蛋白通过疏水区驻留在膜上 | 第32-34页 |
| ·跨膜螺旋预测的一种分段训练算法 | 第34-40页 |
| ·模型结构 | 第34-35页 |
| ·学习算法 | 第35-37页 |
| ·预测方法 | 第37-38页 |
| ·评测手段 | 第38页 |
| ·结果和讨论 | 第38-40页 |
| ·本章小结 | 第40-42页 |
| 第3章 Markov链模型在蛋白可溶性预测中的应用 | 第42-59页 |
| ·绪论 | 第42页 |
| ·Markov链的介绍 | 第42-47页 |
| ·Markov链的概念 | 第42-43页 |
| ·转移概率 | 第43-45页 |
| ·初始分布与绝对分布 | 第45-47页 |
| ·蛋白质可溶性特征的生物学基础 | 第47-49页 |
| ·氨基酸 | 第47-48页 |
| ·残基可溶性 | 第48-49页 |
| ·基于MCM的蛋白质残基可溶性分类的预测 | 第49-57页 |
| ·MCM模型 | 第49-53页 |
| ·数据获取 | 第49-50页 |
| ·k阶MCM模型 | 第50页 |
| ·在蛋白质可溶性预测中的具体应用 | 第50-52页 |
| ·分类器设计 | 第52-53页 |
| ·结果与讨论 | 第53-57页 |
| ·预测及评价方法 | 第54页 |
| ·数据集的选择 | 第54-55页 |
| ·MCM阶数对预测精度的影响 | 第55-56页 |
| ·与其他算法的比较 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 第4章 基于机器学习方法的蛋白亚细胞定位的预测方法研究 | 第59-88页 |
| ·绪论 | 第59页 |
| ·蛋白亚细胞定位的生物学基础 | 第59-62页 |
| ·特征和预测方法研究 | 第62-82页 |
| ·常用的生物学特征 | 第62-69页 |
| ·氨基酸组成 | 第62-63页 |
| ·氨基酸对组成 | 第63-64页 |
| ·蛋白结构信息 | 第64页 |
| ·GO | 第64-66页 |
| ·profile | 第66-69页 |
| ·常用的预测方法介绍 | 第69-75页 |
| ·神经网络 | 第70页 |
| ·模糊k近邻算法 | 第70-71页 |
| ·SVM | 第71-75页 |
| ·目前的一些预测方法 | 第75-76页 |
| ·不同特征和分类器对预测结果的分析和比较 | 第76-82页 |
| ·数据集 | 第77页 |
| ·评价指标 | 第77-79页 |
| ·结果和讨论 | 第79-82页 |
| ·基于ensemble技术的亚定位方法 | 第82-86页 |
| ·ensemble技术(多分离器的投票表决) | 第82-83页 |
| ·特征选取 | 第83-84页 |
| ·结果和讨论 | 第84-85页 |
| ·置信度评测 | 第85-86页 |
| ·本章小结 | 第86-88页 |
| 第5章 基于k近邻和打分矩阵的磷酸化位点预测 | 第88-104页 |
| ·绪论 | 第88页 |
| ·蛋白质的磷酸化 | 第88-92页 |
| ·磷酸化的生物学基础 | 第88-89页 |
| ·目前对蛋白磷酸化的预测方法 | 第89-92页 |
| ·NetPhosK | 第90页 |
| ·Scansite | 第90-91页 |
| ·KinasePhos | 第91-92页 |
| ·k近邻算法和打分矩阵 | 第92-98页 |
| ·k近邻算法 | 第92-95页 |
| ·最近邻法决策规则 | 第93页 |
| ·最近邻算法的一些引中 | 第93-94页 |
| ·改进的k近邻算法 | 第94-95页 |
| ·最近邻方法中的最佳距离 | 第95页 |
| ·打分矩阵 | 第95-98页 |
| ·基于k近邻和BLOSUM62矩阵方法的磷酸化位点预测 | 第98-103页 |
| ·特征选取 | 第98-99页 |
| ·算法流程 | 第99页 |
| ·实验数据 | 第99-100页 |
| ·评测手段 | 第100页 |
| ·结果与讨论 | 第100-103页 |
| ·本章小结 | 第103-104页 |
| 第6章 总结和展望 | 第104-107页 |
| 参考文献 | 第107-118页 |
| 作者在读博期间发表的有关论文 | 第118-119页 |
| 致谢 | 第119页 |
