| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 引言 | 第13-14页 |
| 1.2 研究背景及意义 | 第14-17页 |
| 1.3 国内外研究现状 | 第17-20页 |
| 1.3.1 单位点蛋白预测国内外研究现状 | 第18-19页 |
| 1.3.2 多位点蛋白预测国内外研究现状 | 第19-20页 |
| 1.4 本文的主要内容和安排 | 第20-23页 |
| 第2章 蛋白质数据与模型 | 第23-30页 |
| 2.1 蛋白质组成与功能 | 第23页 |
| 2.2 数据库及工具介绍 | 第23-26页 |
| 2.3 基因本体模型介绍 | 第26-28页 |
| 2.3.1 GO的组成 | 第27页 |
| 2.3.2 GO的组织结构 | 第27-28页 |
| 2.3.3 GO注释 | 第28页 |
| 2.4 小结 | 第28-30页 |
| 第3章 分类算法 | 第30-39页 |
| 3.1 单位点蛋白分类算法 | 第30-32页 |
| 3.2 多位点蛋白分类算法 | 第32-35页 |
| 3.2.1 基于算法改进的多标签分类算法 | 第32页 |
| 3.2.2 基于集成的多标签分类算法 | 第32-33页 |
| 3.2.3 基于问题转化的多标签分类算法 | 第33-35页 |
| 3.3 ML-SVM分类算法 | 第35-38页 |
| 3.3.1 支持向量机SVM | 第35-37页 |
| 3.3.2 ML-SVM原理 | 第37-38页 |
| 3.4 小结 | 第38-39页 |
| 第4章 蛋白质特征提取 | 第39-44页 |
| 4.1 基于氨基酸组成与位置的方法 | 第39-41页 |
| 4.2 基于氨基酸理化性质的特征提取方法 | 第41-42页 |
| 4.3 基于数据库挖掘的特征提取方法 | 第42页 |
| 4.4 蛋白质GO特征 | 第42-43页 |
| 4.4.1 GO特征合理性 | 第42-43页 |
| 4.4.2 GO特征向量构建 | 第43页 |
| 4.5 小结 | 第43-44页 |
| 第5章 基于GO语义相似性的蛋白质亚细胞定位预测 | 第44-54页 |
| 5.1 GO语义相似性特征 | 第44-46页 |
| 5.1.1 GO语义相似性介绍 | 第44页 |
| 5.1.2 GO语义相似性特征理论依据 | 第44-45页 |
| 5.1.3 GO语义相似性特征提取方法 | 第45-46页 |
| 5.2 数据集 | 第46-48页 |
| 5.2.1 数据集的构建 | 第46-47页 |
| 5.2.2 人类数据集 | 第47-48页 |
| 5.3 评价指标 | 第48-49页 |
| 5.4 实验流程 | 第49-50页 |
| 5.5 实验结果及分析 | 第50-53页 |
| 5.5.1 蛋白GO特征与同源蛋白GO特征比较 | 第50页 |
| 5.5.2 传统GO特征与GO语义相似性特征比较 | 第50-52页 |
| 5.5.3 MLKNN算法与MLSVM算法比较 | 第52页 |
| 5.5.4 iLoc-hum分类器与GSS-mPloc分类器比较 | 第52-53页 |
| 5.6 小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 附录 | 第61-62页 |
| 致谢 | 第62页 |