基于机器学习的生物基因剪切位点识别
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-14页 |
| 第1章 绪论 | 第14-26页 |
| ·研究生物信息学的背景和意义 | 第14-15页 |
| ·生物信息学的生物学基础 | 第15-19页 |
| ·从细胞到基因 | 第15-17页 |
| ·蛋白质的合成过程 | 第17-19页 |
| ·生物信息学的发展 | 第19-20页 |
| ·生物信息学的研究内容 | 第20-21页 |
| ·生物信息学数据库 | 第21-22页 |
| ·生物信息学的研究方法 | 第22-23页 |
| ·课题背景和本文工作 | 第23-26页 |
| ·课题背景 | 第23-24页 |
| ·本文工作 | 第24-26页 |
| 第2章 剪切位点和SAGE技术的研究现状 | 第26-38页 |
| ·剪切位点识别 | 第26-31页 |
| ·真核生物的基因结构 | 第26-29页 |
| ·剪切位点识别的方法和研究现状 | 第29-30页 |
| ·剪切位点识别算法的缺点 | 第30-31页 |
| ·基因表达序列分析 | 第31-37页 |
| ·SAGE的主要原理及流程 | 第31-33页 |
| ·SAGE的国内外研究现状 | 第33页 |
| ·SAGE数据的分析方法 | 第33-37页 |
| ·SAGE数据的分析方法的缺点 | 第37页 |
| ·本章小结 | 第37-38页 |
| 第3章 用神经网络分析剪切位点和SAGE数据 | 第38-66页 |
| ·自组织神经网络 | 第38页 |
| ·SOFM模型 | 第38-43页 |
| ·网络结构和原理 | 第38-39页 |
| ·SOFM网络学习过程 | 第39-40页 |
| ·Kohonen学习率 | 第40-42页 |
| ·Kohonen学习率的缺点 | 第42-43页 |
| ·滤波方法综述 | 第43-48页 |
| ·卡尔曼滤波 | 第43-44页 |
| ·扩展的卡尔曼滤波 | 第44-45页 |
| ·无先导变换卡尔曼滤波器 | 第45-48页 |
| ·自组织神经网络的参数自适应方法 | 第48-57页 |
| ·对学习率函数的估计 | 第48-49页 |
| ·对邻域宽度函数的估计 | 第49-52页 |
| ·仿真实例 | 第52-57页 |
| ·改进的SOFM对剪切位点的识别 | 第57-61页 |
| ·数据集 | 第57-59页 |
| ·实验结果 | 第59-61页 |
| ·改进的SOFM算法对SAGE数据的分析 | 第61-63页 |
| ·数据集 | 第61-62页 |
| ·实验结果 | 第62-63页 |
| ·本章小结 | 第63-66页 |
| 第4章 用核方法分析SAGE数据 | 第66-98页 |
| ·核方法原理 | 第66-71页 |
| ·机器学习及核方法的基本概念 | 第66页 |
| ·核方法及其应用 | 第66-67页 |
| ·核函数的定义与性质 | 第67-69页 |
| ·三类重要的核函数 | 第69-71页 |
| ·SAGE数据的统计特性及核函数的构建 | 第71-73页 |
| ·支持向量机及多分类算法 | 第73-80页 |
| ·支持向量机 | 第73-77页 |
| ·支持向量机的多分类算法 | 第77-80页 |
| ·基于多分类支持向量机的SAGE分类 | 第80-84页 |
| ·实验数据 | 第80-83页 |
| ·分析结果 | 第83-84页 |
| ·核主分量分析及其应用 | 第84-90页 |
| ·主分量分析 | 第84-88页 |
| ·核主分量分析 | 第88-90页 |
| ·核主元方法在SAGE分析中的应用 | 第90-93页 |
| ·老鼠视网膜发育PR-enriched数据 | 第90-92页 |
| ·老鼠视网膜细胞发育阶段的分析 | 第92-93页 |
| ·基于PMK的核方法在SAGE分析中的应用 | 第93-95页 |
| ·本章小结 | 第95-98页 |
| 第5章 总结与展望 | 第98-100页 |
| ·总结 | 第98-99页 |
| ·展望 | 第99-100页 |
| 参考文献 | 第100-110页 |
| 英文缩写索引表 | 第110-112页 |
| 附录 | 第112-114页 |
| 附表1 20种氨基酸的密码子表 | 第112-113页 |
| 附表2 老鼠视网膜发育时期SAGE数据 | 第113-114页 |
| 攻读学位期间公开发表论文 | 第114-115页 |
| 攻读学位期间所参与的项目 | 第115-116页 |
| 致谢 | 第116页 |
