| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于密度的方法 | 第9-10页 |
| 1.2.2 基于图聚类的方法 | 第10-11页 |
| 1.2.3 融合其它复合体特征的方法 | 第11-12页 |
| 1.2.4 基于有监督的机器学习方法 | 第12页 |
| 1.3 复合体预测的难点及本文研究思路 | 第12-13页 |
| 1.4 本文的内容安排 | 第13-15页 |
| 第2章 相关背景知识和复合体预测评价方法介绍 | 第15-23页 |
| 2.1 引言 | 第15页 |
| 2.2 相关背景知识介绍 | 第15-18页 |
| 2.2.1 蛋白质相互作用网络 | 第15-17页 |
| 2.2.2 蛋白质复合体 | 第17-18页 |
| 2.3 实验数据介绍 | 第18-20页 |
| 2.3.1 蛋白质相互作用网络 | 第18页 |
| 2.3.2 蛋白质复合体 | 第18-19页 |
| 2.3.3 基因本体 | 第19-20页 |
| 2.4 复合体预测的评价方法介绍 | 第20-21页 |
| 2.5 本章小结 | 第21-23页 |
| 第3章 基于层次聚类的蛋白质复合体预测研究 | 第23-36页 |
| 3.1 引言 | 第23页 |
| 3.2 基于GN算法的复合体预测 | 第23-25页 |
| 3.2.1 GN算法流程 | 第23-24页 |
| 3.2.2 实验结果及分析 | 第24-25页 |
| 3.3 基于HLC算法的复合体预测 | 第25-27页 |
| 3.3.1 HLC算法流程 | 第25-27页 |
| 3.3.2 实验结果及分析 | 第27页 |
| 3.4 基于HLC-CA算法的复合体预测 | 第27-35页 |
| 3.4.1 HLC-CA算法流程 | 第28-29页 |
| 3.4.2 HLC-CA中参数的调节和影响 | 第29-30页 |
| 3.4.3 各种算法的对比实验结果及分析 | 第30-32页 |
| 3.4.4 对HLC-CA的进一步讨论分析 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于基因本体的蛋白质复合体预测研究 | 第36-47页 |
| 4.1 引言 | 第36-37页 |
| 4.2 蛋白质语义相似度计算算法介绍 | 第37-38页 |
| 4.3 利用语义相似度解决假阳性的研究 | 第38-44页 |
| 4.3.1 转换蛋白质网络为有权图的方法 | 第39-40页 |
| 4.3.2 利用语义相似度过滤蛋白质网络的方法 | 第40-43页 |
| 4.3.3 HLC和HLC-CA在过滤后网络上的性能分析 | 第43-44页 |
| 4.4 解决蛋白质网络假阴性的研究 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 融合基因本体生物学知识的复合体预测研究 | 第47-53页 |
| 5.1 引言 | 第47页 |
| 5.2 基于有监督学习的复合体预测研究 | 第47-51页 |
| 5.2.1 正反例复合体数据集的构建 | 第48-49页 |
| 5.2.2 蛋白质复合体特征的选取 | 第49-50页 |
| 5.2.3 复合体分类器的构建 | 第50-51页 |
| 5.3 实验结果及分析 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 附录A HLC的算法复杂度分析 | 第59-61页 |
| 攻读硕士学位期间发表的论文 | 第61-63页 |
| 致谢 | 第63页 |