基于机器学习方法的可变剪接位点预测研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 图目录 | 第8页 |
| 表目录 | 第8-9页 |
| 第一章 引言 | 第9-13页 |
| 1.1 课题研究背景 | 第9页 |
| 1.2 课题研究现状 | 第9-11页 |
| 1.3 本文研究意义与工作 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 生物学基础 | 第13-23页 |
| 2.1 生物序列与遗传信息传递 | 第13-15页 |
| 2.1.1 DNA与RNA | 第13-14页 |
| 2.1.2 基因突变 | 第14-15页 |
| 2.2 RNA测序技术 | 第15-16页 |
| 2.3 RNA的可变剪接机制 | 第16-23页 |
| 2.3.1 常规顺式剪接 | 第16-17页 |
| 2.3.2 可变剪接类型 | 第17-18页 |
| 2.3.3 反向剪接 | 第18-19页 |
| 2.3.4 预测RNA剪接点的工具 | 第19-23页 |
| 第三章 机器学习方法 | 第23-33页 |
| 3.1 机器学习概述 | 第23-24页 |
| 3.1.1 机器学习 | 第23页 |
| 3.1.2 统计学习 | 第23-24页 |
| 3.2 马尔可夫模型 | 第24-25页 |
| 3.3 支持向量机理论 | 第25-33页 |
| 3.3.1 线性分类 | 第25-27页 |
| 3.3.2 非线性分类 | 第27-28页 |
| 3.3.3 核函数方法 | 第28-30页 |
| 3.3.4 SVM训练算法分类 | 第30-33页 |
| 第四章 预测可变剪接位点的方法研究 | 第33-45页 |
| 4.1 实现框架 | 第33-34页 |
| 4.2 数据集选取 | 第34-36页 |
| 4.2.1 训练集与测试集 | 第34-35页 |
| 4.2.2 样本的预处理 | 第35-36页 |
| 4.3 序列特征分析 | 第36-40页 |
| 4.3.1 基于MM2的特征提取 | 第36-37页 |
| 4.3.2 剪接变体位点长度分析 | 第37-39页 |
| 4.3.3 剪接位点二联碱基特征 | 第39页 |
| 4.3.4 核酸序列HI值 | 第39-40页 |
| 4.4 剪接位点的识别模型 | 第40-41页 |
| 4.5 基于SVM的改进预测算法 | 第41-45页 |
| 4.5.1 决策函数 | 第41-42页 |
| 4.5.2 密集度与隶属度 | 第42-45页 |
| 第五章 测试与分析 | 第45-51页 |
| 5.1 评价指标 | 第45-47页 |
| 5.1.1 分析预测结果的衡量指标 | 第45-46页 |
| 5.1.2 ROC曲线 | 第46-47页 |
| 5.2 预测结果分析 | 第47-51页 |
| 5.2.1 剪接位点的预测结果 | 第47-48页 |
| 5.2.2 不同方法识别效果比较 | 第48-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 工作总结 | 第51页 |
| 6.2 工作展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |
