基于機器學習的蛋白質(zhì)相互作用與功能預測

總序
論叢前言
前言
第1章 緒論
1．1 研究背景
1．1．1 生物信息學概述
1．1．2 后基因組時代與蛋白質(zhì)組學
1．1．3 蛋白質(zhì)序列、結(jié)構(gòu)和功能之間的關(guān)系
1．1．4 蛋白質(zhì)相互作用與功能
1．1．5 機器學習在生物信息學中的應用
1．2 研究目的和意義
1．3 研究內(nèi)容和成果
1．4 本書的章節(jié)安排
第2章 基礎(chǔ)知識與研究進展
2．1 蛋白質(zhì)相互作用位點預測
2．2 蛋白質(zhì)相互作用能量熱點預測
2．2．1 能量熱點的定義
2．2．2 能量熱點的識別
2．2．3 現(xiàn)有的計算識別方法
2．3 蛋白質(zhì)相互作用預測
2．4 蛋白質(zhì)功能預測
2．4．1 蛋白質(zhì)功能描述
2．4．2 已有蛋白質(zhì)功能預測方法
第3章 蛋白質(zhì)相互作用位點預測
3．1 基于集成學習的相互作用位點預測
3．1．1 實驗數(shù)據(jù)集
3．1．2 性能評價指標
3．1．3 基于自協(xié)方差的特征生成
3．1．4 支持向量機
3．1．5 子集成分類器
3．1．6 基于加權(quán)投票的子集成分類器融合
3．1．7 實驗結(jié)果及分析
3．1．8 識別潛在藥物標靶
3．2 基于結(jié)構(gòu)鄰居模板的相互作用界面預測
3．2．1 蛋白質(zhì)結(jié)構(gòu)比對
3．2．2 蛋白質(zhì)結(jié)構(gòu)相似度評估
3．2．3 結(jié)構(gòu)鄰居搜索
3．2．4 基于結(jié)構(gòu)鄰居模板的預測算法
3．2．5 實驗結(jié)果與分析
3．2．6 相互作用位點預測Web服務(wù)器
3．3 本章小結(jié)
第4章 蛋白質(zhì)相互作用能量熱點預測
4．1 基于半監(jiān)督學習的能量熱點預測
4．1．1 半監(jiān)督學習
4．1．2 迭代半監(jiān)督支持向量機
4．1．3 特征提取
4．1．4 實驗結(jié)果與分析
4．1．5 案例研究
4．2 基于結(jié)構(gòu)鄰居特征和集成學習的能量熱點預測
4．2．1 殘基特征獲取
4．2．2 結(jié)構(gòu)鄰居特征
4．2．3 基于隨機森林的特征選擇
4．2．4 集成預測模型
4．2．5 實驗結(jié)果與分析
4．2．6 能量熱點預測Web服務(wù)器
4．3 本章小結(jié)
第5章 基于結(jié)構(gòu)的全基因組蛋白質(zhì)相互作用預測
5．1 基于貝葉斯網(wǎng)絡(luò)的預測模型
5．1．1 貝葉斯網(wǎng)絡(luò)
5．1．2 蛋白質(zhì)結(jié)構(gòu)與結(jié)構(gòu)域
5．1．3 結(jié)構(gòu)鄰居與復合物模板
5．1．4 非結(jié)構(gòu)信息
5．1．5 基于結(jié)構(gòu)的相互作用集成預測模型
5．2 實驗結(jié)果與分析
5．2．1 參考數(shù)據(jù)集
5．2．2 與已有方法比較
5．2．3 案例分析
5．3 蛋白質(zhì)相互作用數(shù)據(jù)庫
5．4 本章小結(jié)
第6章 蛋白質(zhì)功能預測
6．1 基于序列組成信息的蛋白質(zhì)功能預測
6．1．1 蛋白質(zhì)序列基本組成模塊
6．1．2 基于LSA和NMF的特征提取方法
6．1．3 實驗結(jié)果與分析
6．2 基于結(jié)構(gòu)比對和多數(shù)據(jù)源的蛋白質(zhì)功能預測
6．2．1 基于結(jié)構(gòu)鄰居的功能預測方法
6．2．2 基于樸素貝葉斯和多數(shù)據(jù)源的集成功能預測方法
6．2．3 蛋白質(zhì)功能預測性能評估策略
6．2．4 蛋白質(zhì)功能語義相似分數(shù)
6．2．5 實驗結(jié)果及分析
6．2．6 案例分析
6．3 本章小結(jié)
第7章 總結(jié)與展望
7．1 本書工作總結(jié)
7．2 未來研究展望
參考文獻
后記