| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-19页 |
| 第一部分 细胞色素P450 酶简介及研究意义 | 第9-16页 |
| ·细胞色素P450 酶的研究发展历史 | 第9-11页 |
| ·细胞色素P450 酶的分类 | 第11-13页 |
| ·细胞色素P450 酶的催化机理及功能 | 第13-15页 |
| ·细胞色素P450 酶研究意义 | 第15-16页 |
| 第二部分 单核苷酸多态性与CYP450 中的遗传多态性 | 第16-18页 |
| ·单核苷酸多态性的介绍 | 第16-17页 |
| ·单核苷酸多态性的分类 | 第17页 |
| ·CYP450 的单核苷酸多态性 | 第17-18页 |
| 本章小结 | 第18-19页 |
| 第二章 支持向量机及遗传算法的理论基础 | 第19-34页 |
| 第一部分 机器学习及支持向量机简介 | 第19-27页 |
| ·统计学习理论 | 第19-22页 |
| ·支持向量分类机 | 第22-26页 |
| ·核函数 | 第26页 |
| ·支持向量机的优势 | 第26-27页 |
| 第二部分 遗传算法简述 | 第27-33页 |
| ·遗传算法的定义 | 第27-28页 |
| ·基本遗传算法的要素 | 第28-31页 |
| ·遗传算法的性质和特点 | 第31-33页 |
| 本章小结 | 第33-34页 |
| 第三章 预测细胞色素酶P450 功能改变 | 第34-50页 |
| 第一部分 实验方法与流程 | 第34-39页 |
| ·数据集准备 | 第34页 |
| ·描述符选择 | 第34-37页 |
| ·基于遗传算法进行特征选择过程 | 第37页 |
| ·SVM 的参数优化和模型的构建 | 第37-39页 |
| ·不同机器学习方法间的比较 | 第39页 |
| 第二部分 结果与讨论 | 第39-48页 |
| ·特征选择 | 第39-42页 |
| ·对特征选择过程筛选出的描述符的分析 | 第42-43页 |
| ·应用蛋白质描述符与应用氨基酸描述符的比较 | 第43-44页 |
| ·不同机器学习方法之间的比较 | 第44-45页 |
| ·最终预测模型的预测效果分析 | 第45-48页 |
| 第三部分 结论 | 第48-49页 |
| 本章小结 | 第49-50页 |
| 第四章 全文总结 | 第50-52页 |
| 第一部分 研究总结 | 第50页 |
| 第二部分 研究展望 | 第50-52页 |
| 参考文献 | 第52-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间参与的科研项目 | 第59-60页 |
| 攻读硕士学位期间已发表或录用的论文 | 第60-63页 |
| 附件 | 第63页 |