| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-14页 |
| 第一章 绪论 | 第14-37页 |
| ·引言 | 第14-15页 |
| ·蛋白质-蛋白质相互作用概述 | 第15-21页 |
| ·蛋白质功能与蛋白质相互作用 | 第15-16页 |
| ·蛋白质相互作用概念 | 第16-17页 |
| ·蛋白质相互作用类型 | 第17-19页 |
| ·蛋白质相互作用网络 | 第19-21页 |
| ·蛋白质相互作用机理 | 第21-28页 |
| ·蛋白质结合面性质 | 第22-24页 |
| ·蛋白质结合面中的热点残基 | 第24-26页 |
| ·影响蛋白质相互作用的其它因素 | 第26-28页 |
| ·获取蛋白质相互作用的生物实验方法 | 第28-32页 |
| ·传统的小规模实验方法 | 第28-30页 |
| ·高通量的实验方法 | 第30-32页 |
| ·蛋白质相互作用数据库 | 第32-34页 |
| ·本文的研究内容与创新点 | 第34-37页 |
| ·本文的内容安排 | 第34-35页 |
| ·本文的主要创新点 | 第35-37页 |
| 第二章 计算方法在蛋白质相互作用研究中的应用 | 第37-50页 |
| ·引言 | 第37页 |
| ·预测蛋白质相互作用的计算方法 | 第37-48页 |
| ·基于基因组信息的方法 | 第38-40页 |
| ·基于蛋白质三维结构的方法 | 第40-42页 |
| ·基于蛋白质结构域的方法 | 第42-44页 |
| ·基于蛋白质序列的方法 | 第44-46页 |
| ·其它方法 | 第46-48页 |
| ·蛋白质相互作用预测现存的问题 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第三章 基于自相关描述符和旋转森林的蛋白质相互作用预测 | 第50-68页 |
| ·引言 | 第50-51页 |
| ·基于氨基酸理化性质的蛋白质序列特征表示 | 第51-54页 |
| ·氨基酸的理化性质 | 第51-53页 |
| ·自相关描述符 | 第53-54页 |
| ·旋转森林简介 | 第54-59页 |
| ·集成学习简介 | 第54-55页 |
| ·基于决策树的集成学习系统 | 第55-57页 |
| ·旋转森林的算法框架 | 第57-59页 |
| ·实验结果与分析 | 第59-66页 |
| ·数据源 | 第59-60页 |
| ·预测性能的评价指标 | 第60-61页 |
| ·旋转森林的参数选择与优化 | 第61-63页 |
| ·单分类器与集成分类器的结果比较 | 第63页 |
| ·与其它相关方法的比较 | 第63-66页 |
| ·独立测试集上的预测性能 | 第66页 |
| ·本章小结 | 第66-68页 |
| 第四章 基于元学习方法的蛋白质相互作用预测 | 第68-84页 |
| ·引言 | 第68页 |
| ·基于支持向量机和分段局部描述符预测蛋白质相互作用 | 第68-75页 |
| ·支持向量机概述 | 第68-70页 |
| ·分段局部描述符 | 第70-71页 |
| ·实验结果 | 第71-74页 |
| ·数据集说明和评估标准 | 第71-72页 |
| ·预测能力的评估 | 第72-73页 |
| ·独立测试集上的预测性能 | 第73-74页 |
| ·本节小结 | 第74-75页 |
| ·基于元学习方法预测蛋白质相互作用 | 第75-83页 |
| ·特征编码方法 | 第75-76页 |
| ·单分类器构建 | 第76页 |
| ·元学习分类器构建 | 第76-77页 |
| ·结果和讨论 | 第77-83页 |
| ·预测性能评估 | 第77-79页 |
| ·独立测试集上的预测结果 | 第79-80页 |
| ·跨物种数据集上的预测结果 | 第80-81页 |
| ·与其它方法的比较 | 第81页 |
| ·基分类器数目对预测结果的影响 | 第81-83页 |
| ·本节小结 | 第83页 |
| ·本章小结 | 第83-84页 |
| 第五章 蛋白质相互作用结合面热点残基的预测 | 第84-113页 |
| ·引言 | 第84-86页 |
| ·基于蛋白质序列和结构信息的特征表示及选择 | 第86-91页 |
| ·基于氨基酸理化属性的特征 | 第88页 |
| ·基于蛋白质结构信息的特征 | 第88-89页 |
| ·其它特征 | 第89-90页 |
| ·特征选择 | 第90-91页 |
| ·实验结果与分析 | 第91-111页 |
| ·数据集的准备 | 第91-95页 |
| ·分类器模型构建 | 第95-96页 |
| ·模型评价指标 | 第96页 |
| ·特征重要性评估 | 第96-98页 |
| ·基于单特征的分类模型 | 第98-101页 |
| ·基于相同特征的不同机器学习方法性能比较 | 第101-102页 |
| ·预测热点残基的集成分类器 | 第102-105页 |
| ·与其它相关方法的比较 | 第105-106页 |
| ·使用三维结构来评价预测 | 第106-111页 |
| ·本章小结 | 第111-113页 |
| 第六章 总结与展望 | 第113-116页 |
| ·本文的主要工作与创新点 | 第113-114页 |
| ·进一步的工作展望 | 第114-116页 |
| 参考文献 | 第116-127页 |
| 在读期间发表的学术论文与取得的研究成果 | 第127-129页 |
| 致谢 | 第129-130页 |