蛋白质结构预测----支持向量机的应用

前言 第1章 蛋白质结构预测概述1．1 蛋白质预测基本方法简介1．2 蛋白质二级结构和结构域预测方法简介第2章 相关知识背景2．1 生物信息学2．1．1 生物信息学的定义、目的、内容和发展趋势2．1．2 基因组学2．1．3 蛋白质组学2．1．4 数据库2．2 蛋白质序列、结构与功能的关系2．3 机器学习2．3．1 机器学习的定义和特点2．3．2 基本的机器学习模型2．3．3 机器学习方法分类2．3．4 应用于生物信息学领域的机器学习方法第3章 统计学习理论3．1 学习问题的表示方法3．1．1 概述3．1．2 学习问题的一般表示3．1．3 学习问题的模型3．1．4 经验风险*小化原则3．1．5 复杂性和推广能力3．1．6 模式识别问题3．2 统计学习理论的四个部分3．2．1 学习过程的一致性3．2．2 学习过程收敛速度的界3．2．3 控制学习过程推广能力的理论第4章 构造支持向量机4．1 优化理论4．1．1 问题公式化4．1．2 拉格朗日理论4．1．3 KKT理论4．2 支持向量机4．2．1 支持向量机基本原理简介4．2．2 线性分类4．2．3 非线性分类4．2．4 多重分类第5章 应用于支持向量机的主要算法5．1 支持向量机算法中目前的研究状况5．2 分解算法5．3 顺序*小优化算法5．3．1 顺序*小优化算法的原理5．3．2 两个拉格朗日乘子的优化问题5．3．3 选择待优化拉格朗日乘子的启发式方法5．3．4 每次*小优化后的重置工作5．3．5 顺序*小优化算法的特点和优势第6章 Libsvm简介6．1 公式6．1．1 C-支持向量分类（二元）6．1．2 u支持向量分类（二元）6．2 二次规划问题的解决6．2．1 C-SVC的分解算法6．2．2 工作集的选择和停止循环的标准6．2．3 u支持向量分类的分解方法6．2．4 解析解法6．2．5 b和ρ的计算6．3 压缩和缓存6．3．1 压缩6．3．2 缓存6．4 多元分类6．5 非平衡数据集6．6 模型的选择6．7 预测蛋白质结构中运用Libsvm的基本操作方法第7章 蛋白质二级结构预测7．1 蛋白质结构7．1．1 蛋白质的一级结构7．1．2 蛋白质的二级结构特征7．1．3 蛋白质结构域、三级结构与四级结构7．2 蛋白质二级结构定义7．2．1 DSSP数据库中的蛋白质二级结构特征识别7．2．2 蛋白质二级结构鉴别方法7．2．3 DEFINE算法对于蛋白质二级结构的定义7．2．4 P-Cruve方法7．3 蛋白质二级结构预测7．3．1 概述7．3．2 样本集的选择7．3．3 二级结构规类方法7．3．4 运用支持向量机进行蛋白质结构预测的样本提取方法与编码规则7．3．5 二级结构预测准确率评估方法7．3．6 蛋白质二级结构预测结果 第8章 蛋白质折叠类型的预测8．1 简介8．2 蛋白质结构域数据8．2．1 DALI算法和FSSP数据库——距离矩阵比对的蛋白质结构比较8．2．2 CATH蛋白质结构域数据库8．2．3 SCOP数据库8．2．4 SCOP、CATH和FSSP的关系8．3 蛋白质结构域的支持向量机预测方法8．3．1 蛋白质结构域预测中的样本集选择8．3．2 编码方法8．3．3 拓扑预测准确率的评估方法8．3．4 分类器设计与软件使用方法8．3．5 结果与分析8．4 小结8．4．1 结论8．4．2 讨论参考文献 附表1 RS126数据集附表2 CB513数据集附表3 蛋白质结构域拓扑层预测样本集附表4 蛋白质结构域同源超族层预测样本集附表5 蛋白质结构域序列家族层样本集