| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第10-16页 |
| ·引言 | 第10-11页 |
| ·研究背景和意义 | 第11-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·论文主要内容及结构安排 | 第14-16页 |
| ·论文主要研究内容 | 第14-15页 |
| ·论文结构安排 | 第15-16页 |
| 第二章 多位点蛋白质亚细胞定位预测 | 第16-33页 |
| ·蛋白质亚细胞定位简介 | 第16-19页 |
| ·蛋白质序列特征提取方法 | 第19-22页 |
| ·蛋白质分选信号 | 第20页 |
| ·氨基酸组成和理化性质 | 第20-21页 |
| ·基因本体（GO） | 第21页 |
| ·功能域注释 | 第21-22页 |
| ·多标记学习 | 第22-29页 |
| ·多标签k近邻算法（ML-k NN） | 第23-24页 |
| ·反向传播神经网络多标签算法（BP-MLL） | 第24-25页 |
| ·多标签支持向量机算法（Rank-SVM) | 第25-27页 |
| ·决策树多标签算法 | 第27-28页 |
| ·LEAD算法 | 第28-29页 |
| ·分类算法的验证 | 第29-30页 |
| ·多标签分类预测结果的评价指标 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 基于多标记学习的蛋白质亚细胞定位预测 | 第33-48页 |
| ·数据集的选取 | 第33-35页 |
| ·多位点数据集特征提取模型 | 第35-44页 |
| ·氨基酸组成模型（AAC） | 第35-36页 |
| ·伪氨基酸组成模型（PseAAC） | 第36-38页 |
| ·氨基酸理化性质组成模型 | 第38-39页 |
| ·熵密度 | 第39页 |
| ·自相关系数编码 | 第39-41页 |
| ·位置向量组成模型 | 第41-44页 |
| ·多标记学习算法 | 第44-47页 |
| ·预测评估 | 第47页 |
| ·本章小结 | 第47-48页 |
| 第四章 实验结果对比分析 | 第48-53页 |
| ·伪氨基酸组成模型和熵密度模型融合 | 第48-49页 |
| ·伪氨基酸组成模型和自相关系数编码融合 | 第49页 |
| ·伪氨基酸组成模型和位置向量组成模型融合 | 第49-50页 |
| ·伪氨基酸组成模型、理化性质组成模型和熵密度模型融合 | 第50页 |
| ·伪氨基酸组成模型、位置向量组成模型和熵密度模型融合 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 结束语 | 第53-55页 |
| ·全文总结 | 第53页 |
| ·研究设想和展望 | 第53-54页 |
| ·学习心得 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 附录 | 第61页 |