基于BP和LSTM神经网络的基因表达预测研究

发布时间：2021-04-16 01:43

　　随着生命科学和计算机科学的迅猛发展,生物数据呈指数级增长,在质量和数量上都极大地丰富了生物信息学的数据资源,为解开生命奥秘提供了数据基础。基因芯片技术作为分子生物学在实验领域的一项重大突破,被应用于测量基因的表达水平,为探索生命的本质提供了极大的便利,成为探究生命奥妙的重要工具之一。基因表达谱是在基因芯片的基础上,通过杂交测序方法,利用探针标记所得互补序列而来。根据基因在不同条件下表达的差异,利用基因表达谱可以进行环境检测和防治、药物筛选、基因功能发现、复杂疾病诊断、个性化治疗、农作物优育优选及司法鉴定等。因此研究基因表达谱具有重要的理论价值和应用意义。尽管获取全基因组表达谱的成本在逐步下降,然而基于基因芯片技术产生数千甚至上万条基因表达谱数据,不仅生物过程繁杂,而且一般的实验室无法承担这一高额的费用。NIH LINCS研究人员分析了约1000个精心挑选的landmark基因,并依托线性回归的方法推测剩余target基因的表达。但是线性回归预测基因表达的方法往往忽略了基因表达谱数据的非线性特征,无法精确的预测基因表达。BP神经网络可以提取输入和输出数据之间较为复杂的非线性映射,LSTM... 

【文章来源】：太原理工大学山西省 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

基因芯片技术实现过程

图 2-2 DNN 网络结构Fig. 2-2 DNN network structure 的层与层之间是全连接的，即第 i 层的任意一个神经元一定与第 i+1相连。虽然 DNN 看起来很复杂，但是从一个小的局部模型来看，

21图 3-2 BP 神经网络结构Fig. 3-2 BP neural network structure神经网络由输入层、隐藏层和输出层组成，输入层的每

【参考文献】：
期刊论文
[1]基于支持向量机递归特征消除和特征聚类的致癌基因选择方法[J]. 叶小泉,吴云峰.  厦门大学学报(自然科学版). 2018(05)
[2]基于加权密集连接卷积网络的深度强化学习方法[J]. 夏旻,宋稳柱,施必成,刘佳.  计算机应用. 2018(08)
[3]混杂数据的多核几何平均度量学习[J]. 齐忍,朱鹏飞,梁建青.  软件学报. 2017(11)
[4]大数据背景下的生物信息学研究现状[J]. 王俊,郭丽,吴建盛,汤丽华,胡栋.  南京邮电大学学报(自然科学版). 2017(04)
[5]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[6]云平台下基因-基因相互作用识别算法[J]. 刘桂霞,李广力,李涵.  吉林大学学报(理学版). 2014(03)
[7]基于PCA和LDA方法的肿瘤基因表达谱数据分类[J]. 李志文,蔡先发,韦佳,周怡.  北京生物医学工程. 2014(01)
[8]基于聚类和微粒群优化的基因选择方法[J]. 刘金勇,郑恩辉,陆慧娟.  数据采集与处理. 2014(01)
[9]HMMER及同源比对预测大豆病程相关蛋白[J]. 王晶,张丽伟,刘春燕,李玉花,陈庆山,胡国华.  基因组学与应用生物学. 2011(06)
[10]基于组学数据构建基因调控网络[J]. 束永俊,李勇,朱延明.  生物信息学. 2010(03)

硕士论文
[1]谱聚类在基因表达数据分析中的应用与研究[D]. 邓小燕.重庆大学 2010



本文编号：3140496