基于监督学习的人类蛋白质网络复合物识别
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景与意义 | 第7页 |
| 1.2 研究综述 | 第7-10页 |
| 1.3 研究思路 | 第10-11页 |
| 1.4 研究内容 | 第11-12页 |
| 1.5 论文结构 | 第12-13页 |
| 2 相关背景知识和评价指标 | 第13-18页 |
| 2.1 蛋白质关系网络 | 第13-14页 |
| 2.2 蛋白质复合物 | 第14-15页 |
| 2.3 基因本体 | 第15-16页 |
| 2.4 评价指标 | 第16-18页 |
| 3 基于监督学习的特定疾病复合物识别 | 第18-33页 |
| 3.1 数据集 | 第18页 |
| 3.2 算法 | 第18-21页 |
| 3.2.1 基于监督学习的复合物识别方法 | 第18-20页 |
| 3.2.2 抽取并集成生物文献中的疾病蛋白质关系 | 第20-21页 |
| 3.3 实验结果 | 第21-32页 |
| 3.3.1 人类蛋白质关系网络 | 第21-23页 |
| 3.3.2 乳腺癌复合物 | 第23-29页 |
| 3.3.3 血癌复合物 | 第29-32页 |
| 3.4 结果分析 | 第32页 |
| 3.5 本章小结 | 第32-33页 |
| 4 针对不同种类网络的复合物识别 | 第33-47页 |
| 4.1 数据集 | 第33-35页 |
| 4.2 算法 | 第35-38页 |
| 4.2.1 不同特征对不同网络的影响 | 第35-37页 |
| 4.2.2 不同模型对不同网络的影响 | 第37-38页 |
| 4.3 实验结果 | 第38-45页 |
| 4.3.1 不同特征对网络的影响 | 第38-41页 |
| 4.3.2 不同模型对网络的影响 | 第41-43页 |
| 4.3.3 不同方法对网络的影响 | 第43-45页 |
| 4.4 结果分析 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 5 利用点向量辅助复合物识别 | 第47-56页 |
| 5.1 数据集 | 第47页 |
| 5.2 算法 | 第47-49页 |
| 5.2.1 Node2vec点向量学习模型 | 第47-48页 |
| 5.2.2 点向量的应用 | 第48-49页 |
| 5.3 实验结果 | 第49-53页 |
| 5.3.1 点向量分类预测复合物 | 第49-50页 |
| 5.3.2 点向量过滤关系网络-分类预测复合物 | 第50-52页 |
| 5.3.3 点向量增加关系网络-分类预测复合物 | 第52-53页 |
| 5.4 结果分析 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-65页 |
| 攻读硕士学位期间发表学术论文情况 | 第65-66页 |
| 致谢 | 第66-68页 |
