| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 蛋白质结构预测的现状 | 第12-16页 |
| 1.2.1 氨基酸相互作用的研究 | 第13-14页 |
| 1.2.2 二硫键连接模式的研究 | 第14-16页 |
| 1.3 研究内容与创新点 | 第16-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 第二章 背景知识介绍 | 第18-30页 |
| 2.1 蛋白质概述 | 第18-19页 |
| 2.2 氨基酸相互作用 | 第19-21页 |
| 2.2.1 相互作用的定义 | 第19-20页 |
| 2.2.2 二硫键连接模式 | 第20-21页 |
| 2.2.3 相互作用的应用 | 第21页 |
| 2.3 多序列比对 | 第21-23页 |
| 2.4 相关数据库 | 第23-24页 |
| 2.5 机器学习与数据挖掘 | 第24-28页 |
| 2.5.1 支持向量机 | 第24-26页 |
| 2.5.2 证据理论优化的 K 近邻 | 第26-27页 |
| 2.5.3 广义主成分分析 | 第27-28页 |
| 2.6 模型评估方法 | 第28-30页 |
| 2.6.1 交叉验证 | 第28页 |
| 2.6.2 接受者操作特性曲线 | 第28-30页 |
| 第三章 基于集成学习法的 TMH 之间氨基酸相互作用预测 | 第30-56页 |
| 3.1 背景及动机 | 第30-31页 |
| 3.2 材料和方法 | 第31-36页 |
| 3.2.1 数据集 | 第31页 |
| 3.2.2 评价指标 | 第31-32页 |
| 3.2.3 特征提取 | 第32-33页 |
| 3.2.4 特征融合 | 第33-34页 |
| 3.2.5 预测模型 | 第34-36页 |
| 3.3 结果和讨论 | 第36-54页 |
| 3.3.1 共变异分析法 | 第36-37页 |
| 3.3.2 机器学习法 | 第37-40页 |
| 3.3.3 共变异分析法和机器学习法的融合 | 第40-44页 |
| 3.3.4 与已有方法的比较 | 第44-46页 |
| 3.3.5 GPCR 三维结构建模 | 第46-49页 |
| 3.3.6 案例分析 | 第49-51页 |
| 3.3.7 讨论 | 第51-54页 |
| 3.4 在线网站 | 第54-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第四章 基于 SVR 和序列比对法的二硫键连接模式预测 | 第56-69页 |
| 4.1 背景及动机 | 第56-57页 |
| 4.2 材料和方法 | 第57-61页 |
| 4.2.1 数据集 | 第57-58页 |
| 4.2.2 连接模式 | 第58页 |
| 4.2.3 机器学习法 | 第58-60页 |
| 4.2.4 序列比对法 | 第60页 |
| 4.2.5 预测模型 | 第60-61页 |
| 4.2.6 评价指标 | 第61页 |
| 4.3 结果与分析 | 第61-68页 |
| 4.3.1 结构特征的影响 | 第61-63页 |
| 4.3.2 序列比对法的评估 | 第63-64页 |
| 4.3.3 机器学习法与序列比对法的融合 | 第64页 |
| 4.3.4 与已有方法的比较 | 第64-65页 |
| 4.3.5 PDBCYS 数据集上的验证 | 第65-66页 |
| 4.3.6 连接模式在三维结构建模上的应用 | 第66-67页 |
| 4.3.7 在线网站的测试 | 第67-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 附录 A 缩写对照表 | 第71-72页 |
| 参考文献 | 第72-80页 |
| 致谢 | 第80-81页 |
| 攻读硕士学位期间已发表或录用的论文 | 第81-82页 |
| 附件 | 第82页 |