蛋白質結構預測：支持向量機的應用

前言
第1章 蛋白質結構預測概述
1.1 蛋白質預測基本方法簡介
1.2 蛋白質二級結構和結構域預測方法簡介
第2章 相關知識背景
2.1 生物信息學
2.1.1 生物信息學的定義、目的、內容和發(fā)展趨勢
2.1.2 基因組學
2.1.3 蛋白質組學
2.1.4 數(shù)據(jù)庫
2.2 蛋白質序列、結構與功能的關系
2.3 機器學習
2.3.1 機器學習的定義和特點
2.3.2 基本的機器學習模型
2.3.3 機器學習方法分類
2.3.4 應用于生物信息學領域的機器學習方法
第3章 統(tǒng)計學習理論
3.1 學習問題的表示方法
3.1.1 概述
3.1.2 學習問題的一般表示
3.1.3 學習問題的模型
3.1.4 經(jīng)驗風險最小化原則
3.1.5 復雜性和推廣能力
3.1.6 模式識別問題
3.2 統(tǒng)計學習理論的四個部分
3.2.1 學習過程的一致性
3.2.2 學習過程收斂速度的界
3.2.3 控制學習過程推廣能力的理論
第4章 構造支持向量機
4.1 優(yōu)化理論
4.1.1 問題公式化
4.1.2 拉格朗日理論
4.1.3 KKT理論
4.2 支持向量機
4.2.1 支持向量機基本原理簡介
4.2.2 線性分類
4.2.3 非線性分類
4.2.4 多重分類
第5章 應用于支持向量機的主要算法
5.1 支持向量機算法中目前的研究狀況
5.2 分解算法
5.3 順序最小優(yōu)化算法
5.3.1 順序最小優(yōu)化算法的原理
5.3.2 兩個拉格朗日乘子的優(yōu)化問題
5.3.3 選擇待優(yōu)化拉格朗日乘子的啟發(fā)式方法
5.3.4 每次最小優(yōu)化后的重置工作
5.3.5 順序最小優(yōu)化算法的特點和優(yōu)勢
第6章 Libsvm簡介
6.1 公式
6.1.1 C一支持向量分類（二元）
6.1.2 支持向量分類（二元）
6.2 二次規(guī)劃問題的解決
6.2.1 C-SVC的分解算法
6.2.2 工作集的選擇和停止循環(huán)的標準
6.2.3 支持向量分類的分解方法
6.2.4 解析解法
6.2.5 6和p的計算
6.3 壓縮和緩存
6.3.1 壓縮
6.3.2 緩存
6.4 多元分類
6.5 非平衡數(shù)據(jù)集
6.6 模型的選擇
6.7 預測蛋白質結構中運用Libsvm的基本操作方法
第7章 蛋白質二級結構預測
7.1 蛋白質結構
7.1.1 蛋白質的一級結構
7.1.2 蛋白質的二級結構特征
7.1.3 蛋白質結構域、三級結構與四級結構
7.2 蛋白質二級結構定義
7.2.1 DSSP數(shù)據(jù)庫中的蛋白質二級結構特征識別
7.2.2 蛋白質二級結構鑒別方法
7.2.3 DEFINE算法對于蛋白質二級結構的定義
7.2.4 P.Cruve方法
7.3 蛋白質二級結構預測
7.3.1 概述
7.3.2 樣本集的選擇
7.3.3 二級結構規(guī)類方法
7.3.4 運用支持向量機進行蛋白質結構預測的樣本提取方法與編碼規(guī)則
7.3.5 二級結構預測準確率評估方法
7.3.6 蛋白質二級結構預測結果
第8章 蛋白質折疊類型的預測
8.1 簡介
8.2 蛋白質結構域數(shù)據(jù)
8.2.1 DALI算法和FSSP數(shù)據(jù)庫——距離矩陣比對的蛋白質結構比較
8.2.2 CATH蛋白質結構域數(shù)據(jù)庫
8.2.3 SCOP數(shù)據(jù)庫
8.2.4 SCOP、CATH和FSSP的關系
8.3 蛋白質結構域的支持向量機預測方法
8.3.1 蛋白質結構域預測中的樣本集選擇
8.3.2 編碼方法
8.3.3 拓撲預測準確率的評估方法
8.3.4 分類器設計與軟件使用方法
8.3.5 結果與分析
8.4 小結
8.4.1 結論
8.4.2 討論
參考文獻
附表1 Rsl26數(shù)據(jù)集
附表2 cB513數(shù)據(jù)集
附表3 蛋白質結構域拓撲層預測樣本集
附表4 蛋白質結構域同源超族層預測樣本集
附表5 蛋白質結構域序列家族層樣本集