| 摘要 | 第1-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第8-15页 |
| ·异三聚体 G 蛋白信号转导组分 | 第9-10页 |
| ·异三聚体 G 蛋白相关组分数据库 | 第10-11页 |
| ·蛋白质互作数据库 | 第11-12页 |
| ·UniProt 数据库 | 第12-13页 |
| ·PROSITE 数据库 | 第13-14页 |
| ·水稻基因芯片数据库(Rice Oligonucleotide Array Database,ROAD) | 第14页 |
| ·weka 数据挖掘平台 | 第14-15页 |
| 2 材料和方法 | 第15-27页 |
| ·数据收集 | 第15-16页 |
| ·序列特征的提取与选择 | 第16-19页 |
| ·分类器评价 | 第19-23页 |
| ·机器学习方法 | 第23-27页 |
| 3 结果与分析 | 第27-43页 |
| ·不同分类法的预测性能评价 | 第27-34页 |
| ·基于不同特征提取策略的不同分类法的预测性能比较分析 | 第34-37页 |
| ·异三聚体 G 蛋白下游效应器预测工具(G-Effector)构建 | 第37-39页 |
| ·效应器蛋白质的序列特征分析 | 第39-41页 |
| ·水稻异三聚体 G 蛋白下游效应器的预测 | 第41-43页 |
| 4 讨论与小结 | 第43-45页 |
| ·不同分类方法的预测性能比较 | 第43-44页 |
| ·不同特征提取的预测性能比较 | 第44页 |
| ·水稻蛋白质组异三聚体 G 蛋白下游效应器的预测结果分析 | 第44-45页 |
| 5 展望 | 第45-46页 |
| 参考文献 | 第46-52页 |
| 附录1：K 最近邻 K 值优化 | 第52-53页 |
| 附录2：随机森林 m（特征个数）值优化 | 第53-56页 |
| 致谢 | 第56页 |
