| 摘要 | 第4-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-31页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究意义 | 第14-19页 |
| 1.2.1 RNAi的起源 | 第14-15页 |
| 1.2.2 RNAi的作用机制 | 第15-16页 |
| 1.2.3 RNAi的应用 | 第16-18页 |
| 1.2.4 siRNA沉默效率预测对RNAi的意义 | 第18-19页 |
| 1.3 国内外研究动态 | 第19-27页 |
| 1.3.1 基于规则的第一代siRNA沉默效率预测方法 | 第19-22页 |
| 1.3.2 基于机器学习的第二代siRNA沉默效率预测方法 | 第22-27页 |
| 1.4 本文的研究内容 | 第27-28页 |
| 1.5 本文的组织结构 | 第28-31页 |
| 第2章 机器学习在siRNA沉默效率预测中的应用 | 第31-37页 |
| 2.1 siRNA样本收集 | 第31-32页 |
| 2.2 siRNA特征提取 | 第32-33页 |
| 2.3 预测模型构建 | 第33-34页 |
| 2.4 预测性能评估 | 第34-37页 |
| 第3章 基于二模和三模motif位置编码的siRNA沉默效率预测平台siRNApred | 第37-66页 |
| 3.1 siRNApred平台的构建流程 | 第37-39页 |
| 3.2 siRNA特征提取 | 第39-47页 |
| 3.2.1 单碱基编码 | 第39页 |
| 3.2.2 siRNA和mRNA序列组成 | 第39-40页 |
| 3.2.3 二模和三模motif位置与siRNA效率相关性分析 | 第40-45页 |
| 3.2.4 二模和三模motif的位置编码 | 第45-46页 |
| 3.2.5 热力学参数 | 第46-47页 |
| 3.3 基于随机森林的siRNA沉默效率预测模型 | 第47-49页 |
| 3.3.1 决策树 | 第47-48页 |
| 3.3.2 随机森林预测模型 | 第48-49页 |
| 3.4 siRNA特征选择 | 第49-52页 |
| 3.4.1 z-score特征重要度评价 | 第49-50页 |
| 3.4.2 siRNA最优特征集合搜索 | 第50-52页 |
| 3.5 实验分析 | 第52-65页 |
| 3.5.1 实验数据集 | 第52-55页 |
| 3.5.2 二模和三模motif位置编码有效性 | 第55-56页 |
| 3.5.3 特征评估与筛选 | 第56-61页 |
| 3.5.4 siRNApred与主流预测算法比较 | 第61-65页 |
| 3.6 小结 | 第65-66页 |
| 第4章 基于卷积神经网络的siRNA沉默效率预测算法 | 第66-85页 |
| 4.1 卷积神经网络概述 | 第66-73页 |
| 4.1.1 卷积神经网络的结构及特点 | 第67-69页 |
| 4.1.2 卷积神经网络的前向过程 | 第69-72页 |
| 4.1.3 卷积神经网络的权值修正 | 第72-73页 |
| 4.2 基于卷积神经网络的siRNA沉默效率预测模型 | 第73-79页 |
| 4.2.1 基于卷积神经网络的siRNA沉默效率预测模型结构 | 第73-75页 |
| 4.2.2 适用于卷积神经网络的siRNA序列编码 | 第75-76页 |
| 4.2.3 多模motif探测器的设计 | 第76-77页 |
| 4.2.4 建立逻辑回归预测siRNA的沉默效率 | 第77-78页 |
| 4.2.5 基于卷积神经网络的siRNA沉默效率预测模型训练过程 | 第78-79页 |
| 4.3 基于卷积神经网络的siRNA沉默效率预测模型超参数设置 | 第79-83页 |
| 4.3.1 卷积核尺寸参数对预测结果的影响 | 第79-81页 |
| 4.3.2 激活函数对预测结果的影响 | 第81-82页 |
| 4.3.3 学习率参数对预测结果的影响 | 第82-83页 |
| 4.4 与其他机器学习模型的比较 | 第83-84页 |
| 4.5 小结 | 第84-85页 |
| 第5章 结论与展望 | 第85-88页 |
| 5.1 结论 | 第85-86页 |
| 5.2 展望 | 第86-88页 |
| 参考文献 | 第88-96页 |
| 攻读博士学位期间所取得的科研成果 | 第96-98页 |
| 致谢 | 第98页 |
