| 摘要 | 第7-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-17页 |
| 1.1.1 后基因组时代蛋白质组学 | 第11-12页 |
| 1.1.2 蛋白质翻译后修饰简介 | 第12-15页 |
| 1.1.3 常用蛋白质翻译后修饰数据库 | 第15-16页 |
| 1.1.4 本课题研究意义 | 第16-17页 |
| 1.2 本文的主要工作 | 第17-19页 |
| 1.2.1 本文的研究内容及创新点 | 第17-18页 |
| 1.2.2 本文的组织结构 | 第18-19页 |
| 第二章 蛋白质翻译后修饰位点预测 | 第19-37页 |
| 2.1 前言 | 第19页 |
| 2.2 研究进展及现状 | 第19-22页 |
| 2.2.1 机器学习类方法 | 第19-21页 |
| 2.2.2 基于修饰肽段相似性类方法 | 第21-22页 |
| 2.3 应用于蛋白质翻译后修饰位点预测的机器学习算法 | 第22-29页 |
| 2.3.1 人工神经网络 | 第22-24页 |
| 2.3.2 柔性神经树 | 第24-27页 |
| 2.3.3 支持向量机 | 第27-29页 |
| 2.4 集成学习 | 第29-31页 |
| 2.4.1 集成学习简介 | 第29-30页 |
| 2.4.2 集成学习组合策略 | 第30-31页 |
| 2.4.3 集成学习优势 | 第31页 |
| 2.5 常用特征提取方法 | 第31-34页 |
| 2.5.1 氨基酸指数 | 第31-33页 |
| 2.5.2 k-空位氨基酸对组成 | 第33页 |
| 2.5.3 位置特异性打分矩阵 | 第33-34页 |
| 2.6 算法评估 | 第34-37页 |
| 2.6.1 验证方法 | 第34-36页 |
| 2.6.2 性能评价 | 第36-37页 |
| 第三章 基于集成学习的磷酸化修饰位点预测 | 第37-46页 |
| 3.1 引言 | 第37-38页 |
| 3.2 实验材料和方法 | 第38-42页 |
| 3.2.1 数据收集和整理 | 第38-40页 |
| 3.2.2 本章特征提取方法 | 第40-41页 |
| 3.2.3 模型构建 | 第41-42页 |
| 3.3 实验结果及分析 | 第42-45页 |
| 3.3.1 各预测模型实验结果 | 第42-43页 |
| 3.3.2 集成学习实验结果 | 第43-44页 |
| 3.3.3 结果分析 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于柔性神经树的磷酸甘油酯化修饰位点预测 | 第46-53页 |
| 4.1 引言 | 第46页 |
| 4.2 实验材料和方法 | 第46-50页 |
| 4.2.1 数据集 | 第46-47页 |
| 4.2.2 本章特征提取方法 | 第47-49页 |
| 4.2.3 模型构建 | 第49-50页 |
| 4.3 实验结果及分析 | 第50-51页 |
| 4.3.1 实验结果 | 第50-51页 |
| 4.3.2 结果分析 | 第51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 附录 | 第61页 |