利用序列信息预测DNA结合蛋白的深度学习算法研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究的背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 研究现状 | 第9-10页 |
| 1.2.2 存在的问题 | 第10页 |
| 1.2.3 本研究的提出 | 第10-11页 |
| 1.3 论文的研究内容和主要工作 | 第11页 |
| 1.4 论文的结构安排 | 第11-14页 |
| 第2章 DNA结合蛋白数据集 | 第14-20页 |
| 2.1 DNA结合蛋白综述 | 第14-15页 |
| 2.2 数据来源 | 第15-16页 |
| 2.3 数据集构造 | 第16-20页 |
| 2.3.1 平衡数据集 | 第16-17页 |
| 2.3.2 非平衡数据集 | 第17-18页 |
| 2.3.3 低冗余数据集 | 第18-20页 |
| 第3章 蛋白质的特征提取及分类算法 | 第20-26页 |
| 3.1 特征提取方法 | 第20-22页 |
| 3.1.1 188维法 | 第20-21页 |
| 3.1.2 三元组法 | 第21页 |
| 3.1.3 在线提取工具Pse-In-One | 第21-22页 |
| 3.2 分类算法 | 第22-26页 |
| 3.2.1 LR分类算法 | 第22-23页 |
| 3.2.2 SVM分类算法 | 第23-25页 |
| 3.2.3 RF分类算法 | 第25-26页 |
| 第4章 深度学习模型与DNA结合蛋白预测 | 第26-40页 |
| 4.1 深度学习简介 | 第26-28页 |
| 4.2 深度学习模型预测DNA结合蛋白 | 第28-40页 |
| 4.2.1 模型结构与工作流程 | 第28-29页 |
| 4.2.2 氨基酸序列编码 | 第29-30页 |
| 4.2.3 Embedding层 | 第30-31页 |
| 4.2.4 Convolution层 | 第31-34页 |
| 4.2.5 LSTM层 | 第34-36页 |
| 4.2.6 全连接层 | 第36-37页 |
| 4.2.7 模型参数配置 | 第37-40页 |
| 第5章 实验结果及分析 | 第40-50页 |
| 5.1 评价指标 | 第40-41页 |
| 5.2 不同数据集上的实验结果及分析 | 第41-46页 |
| 5.2.1 平衡数据集结果 | 第41-42页 |
| 5.2.2 非平衡数据集结果 | 第42-44页 |
| 5.2.3 对比试验结果 | 第44-45页 |
| 5.2.4 低冗余数据集结果 | 第45-46页 |
| 5.3 模型结构对实验的影响 | 第46-47页 |
| 5.4 结果讨论 | 第47-50页 |
| 第6章 总结和展望 | 第50-52页 |
| 6.1 全文总结 | 第50-51页 |
| 6.2 工作展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 发表论文和参加科研情况说明 | 第56-58页 |
| 致谢 | 第58页 |
