| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 磷酸激酶预测算法研究现状 | 第12-13页 |
| 1.2.2 磷酸激酶-抑制剂预测算法研究现状 | 第13-15页 |
| 1.3 论文主要内容 | 第15-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 第二章 相关理论知识介绍 | 第18-32页 |
| 2.1 蛋白质磷酸化的介绍 | 第18-21页 |
| 2.1.1 蛋白质磷酸作用 | 第18-19页 |
| 2.1.2 蛋白质磷酸激酶 | 第19-21页 |
| 2.1.3 蛋白质磷酸激酶抑制剂 | 第21页 |
| 2.2 kinase prediction相关算法介绍 | 第21-25页 |
| 2.2.1 信息熵 | 第22-23页 |
| 2.2.2 贝叶斯理论 | 第23-25页 |
| 2.3 kinase-inhibitor interaction相关算法介绍 | 第25-31页 |
| 2.3.1 PU learning算法 | 第25-28页 |
| 2.3.2 GSVM粒度支持向量机 | 第28-31页 |
| 2.4 本章总结 | 第31-32页 |
| 第三章 蛋白质磷酸激酶预测算法 | 第32-46页 |
| 3.1 前言 | 第32-33页 |
| 3.2 磷酸激酶信息预测算法设计 | 第33-40页 |
| 3.2.1 基于信息熵的有效位点筛选 | 第35-37页 |
| 3.2.2 最佳窗口长度选择 | 第37-39页 |
| 3.2.3 未知磷酸激酶信息预测 | 第39-40页 |
| 3.3 实验数据选取 | 第40-41页 |
| 3.4 磷酸激酶预测结果与分析 | 第41-45页 |
| 3.4.1 算法性能评价 | 第41页 |
| 3.4.2 自适应阂值算法与固定阈值比较 | 第41-44页 |
| 3.4.3 PPKI算法与其他算法的比较 | 第44-45页 |
| 3.5 本章总结 | 第45-46页 |
| 第四章 蛋白质磷酸激酶抑制剂筛选算法 | 第46-59页 |
| 4.1 前言 | 第46-47页 |
| 4.2 基于G-SVM的PU learning建模 | 第47-51页 |
| 4.2.1 第一步：可信负样本RN的选取 | 第48-49页 |
| 4.2.2 第二步：两级分类器构建 | 第49-51页 |
| 4.3 实验数据处理 | 第51-55页 |
| 4.3.1 实验数据选取 | 第51-52页 |
| 4.3.2 描述符提取 | 第52-53页 |
| 4.3.3 粒度划分 | 第53-55页 |
| 4.4 抑制剂预测算法结果与分析 | 第55-58页 |
| 4.4.1 GKⅡ算法与其他算法比较 | 第56-57页 |
| 4.4.2 PU学习算法与传统算法比较 | 第57-58页 |
| 4.5 本章总结 | 第58-59页 |
| 第五章 总结与展望 | 第59-62页 |
| 5.1 本文总结 | 第59-60页 |
| 5.2 未来展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间发表的学术论文 | 第68页 |
