基于序列信息的蛋白质结合位点预测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景 | 第9页 |
| 1.2 课题研究的目的和意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.4 主要研究内容和论文组织结构 | 第13-15页 |
| 1.4.1 主要研究内容 | 第13-14页 |
| 1.4.2 论文组织结构 | 第14-15页 |
| 第2章 相关生物学理论及机器学习方法 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 生物学理论背景简介 | 第15-16页 |
| 2.2.1 氨基酸序列 | 第15-16页 |
| 2.2.2 蛋白质结合位点定义 | 第16页 |
| 2.3 基于序列信息的特征提取 | 第16-17页 |
| 2.3.1 位置特异性打分矩阵 | 第16-17页 |
| 2.3.2 序列N-gram特征 | 第17页 |
| 2.3.3 伪氨基酸组成 | 第17页 |
| 2.4 循环神经网络算法 | 第17-23页 |
| 2.4.1 神经元模型 | 第17-18页 |
| 2.4.2 多层感知机 | 第18-20页 |
| 2.4.3 误差反向传播算法 | 第20-21页 |
| 2.4.4 循环神经网络的基本结构 | 第21-22页 |
| 2.4.5 循环神经网络的数值计算 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 基于长短期记忆网络的结合位点预测 | 第25-38页 |
| 3.1 引言 | 第25页 |
| 3.2 长短期记忆网络模型 | 第25-27页 |
| 3.2.1 模型特点分析 | 第25-26页 |
| 3.2.2 记忆单元 | 第26-27页 |
| 3.3 分类模型的优化与构建 | 第27-32页 |
| 3.3.1 模型整体结构设计 | 第27-28页 |
| 3.3.2 序列向量化 | 第28-29页 |
| 3.3.3 模型改进 | 第29-31页 |
| 3.3.4 模型优化前后的对比分析 | 第31页 |
| 3.3.5 实现细节 | 第31-32页 |
| 3.4 优化的LSTM模型的实验结果与分析 | 第32-36页 |
| 3.4.1 数据集 | 第32页 |
| 3.4.2 评价指标 | 第32-33页 |
| 3.4.3 交叉验证 | 第33页 |
| 3.4.4 性能评估 | 第33-35页 |
| 3.4.5 分析讨论 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 基于多特征学习的结合位点预测 | 第38-50页 |
| 4.1 引言 | 第38页 |
| 4.2 算法描述 | 第38-43页 |
| 4.2.1 序列数据向量化 | 第38-42页 |
| 4.2.2 模型设计与构建 | 第42-43页 |
| 4.3 集成学习模型的实验结果与分析 | 第43-48页 |
| 4.3.1 基分类器的性能评估 | 第44-47页 |
| 4.3.2 特征提取范围 | 第47页 |
| 4.3.3 多特征学习模型的性能评估 | 第47-48页 |
| 4.4 本章小结 | 第48-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士期间发表的论文及其它成果 | 第56-58页 |
| 致谢 | 第58页 |
