【導(dǎo)讀】認(rèn)符合上海大學(xué)博士學(xué)位論文質(zhì)量要求?；蜃珜戇^的研究成果。參與同一工作的其他同志對本研究所做的任何。貢獻(xiàn)均已在論文中作了明確的說明并表示了謝意。以公布論文的全部或部分內(nèi)容。止已搞清楚其生物學(xué)功能的尚不足其中的1%。別和預(yù)測研究，有助于理解生命過程中一些問題的生物學(xué)和化學(xué)本質(zhì)。經(jīng)過比較現(xiàn)有的商業(yè)和開源的分子描述符計(jì)算程序，選用了ChemAxon公司。便易用且可自行定制的批量計(jì)算小分子的分子描述符的計(jì)算程序。和預(yù)測研究提供了高效的工具。有助于人們更加深入地進(jìn)行代謝分析，更為深刻地理解小分子的代謝機(jī)理。由此所建立模型的10折交叉驗(yàn)證測試和。分子的方法相比，預(yù)測結(jié)果有了顯著的提高。途徑中小分子和酶的相互作用進(jìn)行研究。結(jié)合使用mRMR算法、IFS（Incremental. 解蛋白質(zhì)如何控制基因表達(dá)。從Weka軟件中選取了34種分類算法，建立了四種。結(jié)果表明，投票法的預(yù)測結(jié)果優(yōu)于單一分類算法的預(yù)測結(jié)果，并且使

　　

【正文】 白質(zhì)以及連接肽的設(shè)計(jì)；生物活性分子的電子結(jié)構(gòu)計(jì)算和設(shè)計(jì)；納米生物材料的結(jié)構(gòu)模擬與設(shè)計(jì)；基于酶和功能蛋白質(zhì) 的 結(jié)構(gòu)、細(xì)胞表面受體結(jié)構(gòu)的藥物設(shè)計(jì)；基于 DNA 空間結(jié)構(gòu)的藥物設(shè)計(jì)等。 7) 遺傳密碼起源和生物進(jìn)化的研究 ， 包括模式生物完整基因組的比較研究；系統(tǒng)發(fā)生樹的構(gòu)建；遺傳密碼起源與基因組結(jié)構(gòu)的演化；基因組信息與生物進(jìn)化的關(guān)系等。 8) 應(yīng)用與發(fā)展研究 ， 包括匯集與疾病相關(guān)的人類基因信 息，發(fā)展患者樣品序列信息檢測技術(shù)和基于序列信息選擇表達(dá)載體、引物的技術(shù)，建立與動(dòng)植物良種繁育相關(guān)的數(shù)據(jù)庫以及與大分子設(shè)計(jì)和藥物設(shè)計(jì)相關(guān)的數(shù)據(jù)庫。 常用生物信息學(xué)數(shù)據(jù)庫 1) 核酸序列數(shù)據(jù)庫：世界上所有已公布的核酸序列及其翻譯產(chǎn)物 的 序列報(bào)告和相關(guān)注釋。包括 美國國立衛(wèi)生研究院下屬國立生物技術(shù)信息中心 的 基因序列數(shù)據(jù)庫 （ GenBank）、 歐洲生物信息研究所的 歐洲分子生物 學(xué) 實(shí)驗(yàn)室 核苷酸數(shù)據(jù)庫 （ The 上海大學(xué)博士學(xué)位論文 20xx 年 5 月 4 European Molecular Biology Laboratory, EMBL）、日本核酸數(shù)據(jù)庫（ DNA Data Bank of Japan, DDBJ）以及整合平臺 Entrez 綜合數(shù)據(jù)庫等。 2) 蛋白質(zhì)序列數(shù)據(jù)庫 ：包括 歐洲生物信息學(xué)研究所 （ European Bioinformatics Institute, EBI） 維護(hù)的經(jīng)過注釋的蛋白質(zhì)序列數(shù)據(jù)庫 SWISSPROT、 美國國家生物技術(shù)信息中心 蛋白質(zhì)數(shù)據(jù)庫（ National Center for Biotechnology Information, NCBI）、蛋白序列數(shù)據(jù)庫 （ Protein Information Resource, PIR） 等。 3) 蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫 ：包括 結(jié)構(gòu)生物信息學(xué)研究聯(lián)合實(shí)驗(yàn)室 （ Research Collaboratory for Structure Bioinformatics, RCSB）負(fù)責(zé)維護(hù)的 生物大分子結(jié)構(gòu) 蛋白質(zhì)數(shù)據(jù)倉庫 （ Protein Data Bank, PDB）、生物高聚物結(jié)構(gòu)分子模型數(shù)據(jù)庫 （ Molecular Modelling DataBase, MMDB）、英國醫(yī)學(xué)研究會(huì)（ Medical Research Council, MRC）劍橋分子生物學(xué)實(shí)驗(yàn)室開發(fā)的蛋白質(zhì)結(jié)構(gòu)分類數(shù)據(jù)庫（ Structural Classification of Proteins, SCOP）等。 4) 基因組數(shù)據(jù)庫 ：主要內(nèi)容有基因組結(jié)構(gòu)、基因單位、基因組圖譜等，由各國基因組研究中心組建，分布在世界各地的信息中心、研究機(jī)構(gòu)。 代表性的 包括美國人類基因組數(shù)據(jù)庫 GDB、 美國 NCBI 基因組數(shù)據(jù)庫 Genome 、 英國人類基因圖譜數(shù)據(jù)庫 GenomeWeb 等。 數(shù)據(jù)挖掘簡介 數(shù)據(jù)挖掘的含義 “數(shù)據(jù)挖掘”中的“挖掘”一詞最早出現(xiàn)于統(tǒng)計(jì)學(xué)中。簡單地說，數(shù)據(jù)挖掘（ Data Mining, DM） 是從數(shù)據(jù)中“挖掘”知識。 數(shù)據(jù)挖掘是當(dāng)今信息科學(xué) 的 一個(gè)熱點(diǎn)，其涵義是綜合運(yùn)用多種算法，對來自多種渠道的大量數(shù)據(jù)進(jìn)行計(jì)算機(jī)處理，通過去粗取精、去偽存真、由此及彼、由表及里的信息加工，抽提有用信息， 從而 發(fā)現(xiàn)自然規(guī)律 [5]。 目前，數(shù)據(jù)挖掘可以從統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫（ Database, DB）和機(jī)器學(xué)習(xí)（ Machine Learning）等三個(gè)角度進(jìn)行定義。從統(tǒng)計(jì)學(xué)的角度出發(fā)，數(shù)據(jù)挖掘是指分析所觀察的數(shù)據(jù)集以發(fā)現(xiàn)可信的數(shù)據(jù)間的未知關(guān)系并提供給數(shù)據(jù)擁有者可理解的、新穎的和有用的 統(tǒng)計(jì)規(guī)律 [6]。從數(shù)據(jù)庫的角度出發(fā)，數(shù)據(jù)挖掘是指從存儲(chǔ)在數(shù)據(jù)庫、數(shù)據(jù)上海大學(xué)博士學(xué)位論文 20xx 年 5 月 5 倉庫（ Data Warehouse, DW）或其它信息倉庫中的大量數(shù)據(jù)中發(fā)現(xiàn) 有用 知識的過程[7]。從機(jī)器學(xué)習(xí)的角度出發(fā)，數(shù)據(jù)挖掘是指從數(shù)據(jù)中抽取隱含的、明顯未知的和潛在有用信息 [8]。總之， 數(shù)據(jù)挖掘是利用計(jì)算機(jī)、現(xiàn)代統(tǒng)計(jì)科學(xué)和機(jī) 器學(xué)習(xí)理論對復(fù)雜數(shù)據(jù)進(jìn)行整理、分析、建模等研究，達(dá)到總結(jié)數(shù)據(jù)中的規(guī)律，用以預(yù)報(bào)未知的目的。 數(shù)據(jù)挖掘系統(tǒng)的組成 典型的數(shù)據(jù)挖掘系統(tǒng)具有如下組成： [9] 1) 數(shù)據(jù)庫、數(shù)據(jù)倉庫或其他信息庫：可以在此數(shù)據(jù)集上進(jìn)行數(shù)據(jù)清理和集成。 2) 數(shù)據(jù)庫或數(shù)據(jù)倉庫服務(wù)器：根據(jù)用戶的數(shù)據(jù)挖掘請求，負(fù)責(zé)提取相關(guān)數(shù)據(jù)。 3) 知識庫：存放領(lǐng)域知識，用于指導(dǎo)搜索或評估結(jié)果模式的興趣度，可能包括概念分層及用戶確信度方面的知識。 4) 數(shù)據(jù)挖掘引擎：由一組功能模塊組成，是數(shù)據(jù)挖掘的基本組成部分，用于特征化、關(guān)聯(lián)、分類、聚類分析以及演變或偏差分析。 5) 圖形用戶界面（ Graphical User Interface, GUI）：允許用戶與系統(tǒng)進(jìn)行交互，指定數(shù)據(jù)挖掘任務(wù)，提供信息，幫助搜索，根據(jù)數(shù)據(jù)挖掘的中間結(jié)果進(jìn)行探索式數(shù)據(jù)挖掘，以便在用戶和數(shù)據(jù)挖掘系統(tǒng)之間通信。此外還容許用戶瀏覽數(shù)據(jù)庫和數(shù)據(jù)倉庫模式或數(shù)據(jù)結(jié)構(gòu)，評估挖掘的模式，以不同 的形式對挖掘的模式進(jìn)行可視化。 數(shù)據(jù)挖掘與數(shù)學(xué) 模型 的關(guān)系 數(shù)學(xué)模型 （ Mathematical Model） 是 根據(jù)對研究對象所觀察到的現(xiàn)象及實(shí)踐經(jīng)驗(yàn)，歸 結(jié)成的一套反映其內(nèi)部因素?cái)?shù)量關(guān)系的數(shù)學(xué)公式、邏輯準(zhǔn)則和具體算法，用以描述和研究客觀現(xiàn)象的運(yùn)動(dòng)規(guī)律。 數(shù)學(xué)模型 是數(shù)學(xué)理論與實(shí)際問題相結(jié)合的一門科學(xué)。它將現(xiàn)實(shí)問題歸結(jié)為相應(yīng)的數(shù)學(xué)問題，并在此基礎(chǔ)上利用數(shù)學(xué)的概念、方法和理論進(jìn)行深入的分析和研究，從而從定性或定量的角度來刻畫實(shí)際問題，并為解決現(xiàn)實(shí)問題提供精確的數(shù)據(jù)或可靠的指導(dǎo)。 上海大學(xué)博士學(xué)位論文 20xx 年 5 月 6 建立數(shù)學(xué)模型的方法 分為兩類 ：機(jī)理分析方法與統(tǒng)計(jì)分析方法。機(jī)理分析方法是根據(jù)對現(xiàn)實(shí)對象特性的認(rèn)識，分析其關(guān)系，找出 能夠 反映內(nèi)部機(jī)理規(guī)律的變量結(jié)構(gòu)， 所 建立的模型常有明確的物理或現(xiàn)實(shí)意義。 數(shù)學(xué)上的建模通常 使用的大多是 機(jī)理分析方法。 統(tǒng)計(jì)分析方法是從研究對象的觀察數(shù)據(jù)（ 或 實(shí)驗(yàn)數(shù)據(jù)）切入，通過數(shù)據(jù)變化的特點(diǎn)，建立反映數(shù)據(jù)關(guān)系的擬合模型或構(gòu)造逼近實(shí)際數(shù)據(jù)關(guān)系的模型，在模型檢驗(yàn)可行的條件下，通過模型結(jié)果研究對象的變化機(jī)理。 顯然數(shù)據(jù)挖掘中的建模方法屬于統(tǒng)計(jì)分析方法。 從某種程度上說 ， 數(shù)學(xué)挖掘的本質(zhì)就是數(shù)學(xué)建模，其含義與統(tǒng)計(jì)分析建模方法一致， 因此 數(shù)據(jù)挖掘也稱為“現(xiàn)代統(tǒng)計(jì)” [10]。 數(shù)據(jù)挖掘與經(jīng)典統(tǒng)計(jì)分析的關(guān)系 傳統(tǒng)的統(tǒng)計(jì)分析建模方法的基礎(chǔ)是經(jīng)典數(shù)理統(tǒng)計(jì)方法，已有結(jié)論大多基于“大樣本、少變量”的條件（如著名的大數(shù)定律），對當(dāng)前各個(gè)應(yīng)用領(lǐng)域 中出現(xiàn)的 “大樣本、多變量” 或 “小樣本、多變量”等 情況 仍具有局 限性。這些問題直接應(yīng)用經(jīng)典統(tǒng)計(jì)分析方法求解，可能出現(xiàn)較大 的 差異。但應(yīng)用基于數(shù)據(jù)挖掘的現(xiàn)代統(tǒng)計(jì)分析方法，在一定條件下能很好地解決 這一問題 。 如 SVM 方法特別適合于處理 小樣本 問題 。 因此，數(shù)據(jù)挖掘是經(jīng)典統(tǒng)計(jì)分析的延伸和拓寬。 數(shù)據(jù)挖掘的流程 數(shù)據(jù)挖掘的流程 主要 包括以下各個(gè)步驟 [5]： 1) 數(shù)據(jù)文件評估和初步分析 ： 對數(shù)據(jù)文件是否有足夠的信 息量作初步考查，以決定數(shù)據(jù)挖掘的可行性，并對數(shù)據(jù)結(jié)構(gòu)作大致考查。 2) 相關(guān)分析 ： 用原始變量為坐標(biāo)做 投影圖，考查單因子、雙因子和三因子對目標(biāo)值的影響， 并 計(jì)算相關(guān)系數(shù)。 3) 樣本篩選 ：當(dāng) 對 數(shù)據(jù)文件分類 存在 困難 時(shí) ，則 需 進(jìn)行預(yù)處理。 4) 自變量篩選 ：根據(jù)自變量對目標(biāo)值或分類影響 的 大小，刪去作用小 而 噪聲大的變量。 5) 建模 ： 建立能指導(dǎo)實(shí)用的數(shù)學(xué)模型。 上海大學(xué)博士學(xué)位論文 20xx 年 5 月 7 建模之后，需要考查所建 數(shù)學(xué)模型的有效性和可靠性?；旧嫌袃深惙椒ǎ阂活愂怯靡呀⒌臄?shù)學(xué)模型預(yù)報(bào)未知，然后用實(shí)驗(yàn)或生產(chǎn)過程加以證實(shí)；另一類方法是預(yù)先保留部分已知樣本不參加訓(xùn)練，然后用求得的數(shù)學(xué)模型對其作預(yù)報(bào)加以驗(yàn)證。其中，常用的方法稱為“留一法（ Leave One Out, LOO）”，即每次取去一個(gè)樣本，以其余樣本作為訓(xùn)練集，并將求得的數(shù)學(xué)模型對不參加訓(xùn)練的這個(gè)樣本作預(yù)報(bào)。在依次對每一個(gè)樣本都預(yù)報(bào)后，將預(yù)報(bào)成功率（平均值）作為 模型的預(yù)報(bào)能力的指標(biāo)。當(dāng)樣本很多時(shí)，“留一法”工作量很大，此時(shí)可采用“留 n 法”，比如“留十法”或“留四分之一法”等檢查其預(yù)報(bào)能力。 涉及的計(jì)算機(jī)常識 下面簡述所 涉及到的計(jì)算機(jī)技術(shù)的一些 基本常識 。 Java 語言 Java[1115]是一種可以編 寫跨平臺應(yīng)用軟件的 對象導(dǎo)向 的程序設(shè)計(jì)語言，由 Sun Microsystems 公司（ 20xx 年 已被 Oracle 公司收購 ）的 James Gosling 等人于 1990年代初開發(fā)。 Java 語言的風(fēng)格十分接近 C++語言。它繼承了 C++語言 對象導(dǎo)向 技術(shù)的核心，舍棄了 C++語言中容易引起錯(cuò)誤的指針（以引用取代）、運(yùn)算符重載（ Operator Overloading）和多重繼承（以接口取代）等特性，增加了垃圾回收器功能用于回收不再被引用的對象所占據(jù)的內(nèi)存空間。在 Java SE 版本中又引入了泛型編程（ Generic Programming）、類型安全的枚舉、不定長參數(shù)和自動(dòng)裝箱或拆箱等語言特性。 Java 不同于一般的編譯執(zhí)行計(jì)算機(jī)語言和解釋執(zhí)行計(jì)算機(jī)語言 ， 它首先將源代碼編譯成字節(jié)碼（ Byte Code），然后依賴各種不同平臺上的虛擬機(jī)來解釋執(zhí)行字節(jié)碼，從而實(shí)現(xiàn)了 其 “一次編譯、到處執(zhí)行”的跨平臺特性。 與傳統(tǒng)的程序不同， Sun Microsystems 公司在推出 Java 之際就將其作為一種開放的技術(shù)。全球數(shù)以萬計(jì)的 Java 開發(fā)公司被要求所設(shè)計(jì)的 Java 軟件必須相互兼容?！?Java 語言靠群體的力量而非公司的力量”是 Sun Microsystems 公司的口號之一，并獲得了廣大軟件開發(fā)商的認(rèn)同。這與 Microsoft 公司所倡導(dǎo)的注重精英和上海大學(xué)博士學(xué)位論文 20xx 年 5 月 8 封閉式的模式完全不同。 Sun 公司對 Java 編程語言的解釋是： Java 編程語言是個(gè)簡單、面向?qū)ο?、分布式、解釋性、健壯、安全與系統(tǒng)無關(guān)、可移植、高性能、多線程和動(dòng)態(tài)的語言。 目前 Java 提供三個(gè)版本： Java Platform, Enterprise Edition（ Java EE： Java 平臺企業(yè)版）、 Java Platform, Standard Edition（ Java SE： Java 平臺標(biāo) 準(zhǔn)版）和 Java Platform, Micro Edition（ Java ME： Java 平臺微型版）。其中 Java EE 主要用于網(wǎng)絡(luò)軟件開發(fā)，包含大量的組件； Java SE 主要用于桌面軟件開發(fā)，也是所有 Java 程序的基礎(chǔ)；Java ME 主要用于手機(jī)等小型設(shè)備軟件的開發(fā)。本文使用了 Java SE 6 版本 和 Java EE 5 版本 。 Swing 技術(shù) Swing[16]是一個(gè)為 Java 設(shè)計(jì)的 GUI（ Graphical User Interface） 工具包，是 Java基礎(chǔ)類的一部分，包括了很多圖形用戶界面組件，如文本框、按鈕、列表框、菜單和工具欄等等。它支持可更換的面板和主題，不是真的使 用原生平臺提供的設(shè)備，而是僅僅在表面上模仿它們，這意味著可以在任意平臺上使用 Java 支持的任意面板。 Swing 組件幾乎都是輕量級組件（ Light Weight），優(yōu)點(diǎn)是可以在所有平臺上采用統(tǒng)一的行為，沒有本地代碼，不依賴操作系統(tǒng)的支持，具有更強(qiáng)的實(shí)用性，并且有能力提供本地窗口系統(tǒng)不支持的其它特性；而其缺點(diǎn)則是執(zhí)行速度較慢。 Swing 采用了“模型－視圖－控制（ ModelViewController, MVC）”設(shè)計(jì)范式，其中模型用來保存內(nèi)容，視圖用來顯示內(nèi)容，控制器用來控制用戶行為。本文的 Java GUI 全部使用 Swing 組件建立。 XML XML（ eXtensible Markup Language，可擴(kuò)展標(biāo)記語言）是一種標(biāo)記語言，使用計(jì)算機(jī)所能理解的信息符號， 用于 在計(jì)算機(jī)之間傳送及攜帶數(shù)據(jù)信息。通常用于標(biāo)記電子文件使其具有結(jié)構(gòu)性的標(biāo)記語言，可以用來標(biāo)記數(shù)據(jù)、定義數(shù)據(jù)類型，是一種允許用戶對自己的標(biāo)記語言進(jìn)行定義的源語言。 XML 是標(biāo)準(zhǔn)通用標(biāo)記語言上海大學(xué)博士學(xué)位論文 20xx 年 5 月 9 （ SGML）的子集，非常適合 Web 傳輸。 XML 提供統(tǒng)一的方法來描述和交換獨(dú)立于應(yīng)用程序或供應(yīng)商的結(jié)構(gòu)化數(shù)據(jù)。