| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 1绪论 | 第12-28页 |
| ·蛋白质网络的计算分析 | 第12-19页 |
| ·蛋白质网络及其研究所面临的挑战 | 第12-14页 |
| ·蛋白质网络研究的具体内容 | 第14-19页 |
| ·课题的研究意义 | 第19-20页 |
| ·本文相关的研究工作 | 第20-25页 |
| ·蛋白质网络的动态分析 | 第20-21页 |
| ·关键蛋白质(基因)研究 | 第21-22页 |
| ·预测蛋白质复合物 | 第22-25页 |
| ·本文的主要研究内容 | 第25-26页 |
| ·论文的结构 | 第26-28页 |
| 2 结合多生物信息构建动态蛋白质网络 | 第28-44页 |
| ·问题来源 | 第28页 |
| ·TC-PINs构建方法 | 第28-32页 |
| ·数据集 | 第28-29页 |
| ·构建TC-PNs | 第29-30页 |
| ·从TC-PINs中识别蛋白质复合物 | 第30-32页 |
| ·评价指标 | 第32-34页 |
| ·伪随机网络 | 第32页 |
| ·匹配指标 | 第32-33页 |
| ·GO统计指标 | 第33-34页 |
| ·结果和讨论 | 第34-43页 |
| ·各种网络中的功能模块 | 第34-36页 |
| ·和已知蛋白质复合物比较 | 第36-37页 |
| ·GO功能富集分析 | 第37-41页 |
| ·被识别功能模块中的周期性基因 | 第41页 |
| ·阈值选择的影响 | 第41-42页 |
| ·动态网络中功能模块的时间特异性 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 3 结合多生物信息识别关键蛋白质 | 第44-59页 |
| ·问题来源 | 第44页 |
| ·识别关键蛋白质的WDC方法 | 第44-46页 |
| ·边聚类系数ECC | 第44-45页 |
| ·皮尔逊相关系数PCC | 第45页 |
| ·加权度中心性(WDC,Weighted Degree Centralit) | 第45-46页 |
| ·结果和讨论 | 第46-58页 |
| ·数据来源 | 第46页 |
| ·各种预测方法的ROC曲线分析 | 第46-48页 |
| ·各种方法预测的关键蛋白质的比例分析 | 第48-50页 |
| ·各种预测方法的折刀曲线分析 | 第50页 |
| ·各种预测方法的精度分析 | 第50-51页 |
| ·WDC与其他预测方法的区别分析 | 第51-53页 |
| ·WDC和DC产生的相互作用的类型分析 | 第53-55页 |
| ·分析WDC、DC和NC三种方法预测的蛋白质的关键性 | 第55-57页 |
| ·参数λ对WDC方法性能的影响 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 4 结合多生物信息预测蛋白质复合物 | 第59-80页 |
| ·问题来源 | 第59页 |
| ·算法描述 | 第59-65页 |
| ·预备知识 | 第59-61页 |
| ·CMBI算法 | 第61-65页 |
| ·结果和讨论 | 第65-78页 |
| ·数据源 | 第66页 |
| ·评价方法 | 第66-68页 |
| ·与已知复合物的比较 | 第68-69页 |
| ·GO功能富集分析 | 第69-74页 |
| ·验证加权网络 | 第74页 |
| ·参数T和R对CMBI算法性能的影响 | 第74-76页 |
| ·FS打分技术及关键蛋白质信息的影响 | 第76-77页 |
| ·Stark数据集上的结果 | 第77-78页 |
| ·本章小结 | 第78-80页 |
| 5 基于加权网络的通用复合物挖掘方法 | 第80-92页 |
| ·问题来源 | 第80页 |
| ·算法框架 | 第80-84页 |
| ·预备知识 | 第80-81页 |
| ·算法概览 | 第81-82页 |
| ·ClusterWD算法 | 第82-84页 |
| ·结果和讨论 | 第84-91页 |
| ·数据集 | 第84页 |
| ·评价方法 | 第84-87页 |
| ·评估结果 | 第87-91页 |
| ·本章总结 | 第91-92页 |
| 6 总结 | 第92-95页 |
| ·主要贡献和创新点 | 第92-93页 |
| ·展望 | 第93-95页 |
| 参考文献 | 第95-109页 |
| 攻读博士学位期间主要的研究成果 | 第109-110页 |
| 致谢 | 第110页 |