文摘
英文文摘
第一章 绪论
1.1 蛋白质功能位点预测的目的及意义
1.2 基于氨基酸序列预测蛋白质功能位点的生物信息学研究
1.2.1 糖基化位点预测
1.2.2 蛋白质与DNA相互作用的结合位点预测
1.2.3 蛋白质与RNA相互作用的结合位点预测
1.2.4 蛋白质与蛋白质相互作用的结合位点预测
1.2.5 磷酸化位点预测
1.3 关于本课题
1.3.1 基于氨基酸序列预测蛋白质功能位点所面临的问题
1.3.2 论文的主要创新点
1.3.3 论文的组织结构
第二章 生物信息学中的机器学习方法
2.1 机器学习方法
2.1.1 基本概念
2.1.2 机器学习的学习系统
2.1.3 机器学习的主要策略
2.1.4 机器学习的问题描述
2.1.5 机器学习算法设计步骤
2.2 支持向量分类机
2.2.1 广义最优分类面
2.2.2 支持向量机
2.2.3 核函数
2.2.4 One-class支持向量机
2.2.5 支持向量机软件
2.3 随机森林
2.3.1 随机森林模型的构建过程
2.3.2 随机森林的算法评价
2.3.3 随机森林软件
2.4 机器学习方法在生物信息学中的应用
2.4.1 机器学习方法在人类基因组研究中的应用
2.4.2 机器学习方法在蛋白质组研究中的应用
2.5 本章小结
第三章 蛋白质功能位点识别的机器学习平台设计
3.1 预测蛋白质功能位点总体流程
3.2 序列预处理
3.2.1 冗余序列的去除
3.2.2 核酸结合位点的确定
3.3 正负样本的确定
3.4 蛋白质序列特征
3.4.1 蛋白质序列的基本信息
3.4.2 蛋白质的物化特征
3.4.3 蛋白质的结构信息
3.4.4 序列保守性特征
3.5 机器学习模型整合
3.6 评价指标
3.7 本章小结
第四章 蛋白质功能位点识别的机器学习平台的实现
4.1 平台设计流程
4.2 平台开发要求
4.3 平台结构功能模块
4.3.1 序列预处理模块
4.3.2 序列特征提取模块
4.3.3 训练预测模块
4.2 本章小结
第五章 机器学习平台应用实例
5.1 实例一:蛋白质中DNA结合残基的预测
5.1.1 研究背景
5.1.2 数据与方法
5.1.3 结果与讨论
5.1.4 平台的验证
5.2 实例二:蛋白质中RNA结合残基的预测
5.2.1 研究背景
5.2.2 数据与方法
5.2.3 结果与讨论
5.2.4 平台的验证
5.3 实例三:糖基化位点预测
5.3.1 研究背景
5.3.2 数据与方法
5.3.3 结果与讨论
5.4 本章小结
第六章 总结与展望
6.1 论文总结
6.2 工作展望
致谢
参考文献
附录
发表文章情况
东南大学;