基因表达数据的荟萃分析方法研究

发布时间：2022-11-07 19:44

　　随着生物芯片以及高通量测序技术的发展和广泛应用,生物组学数据爆炸性增长。其中,伴随着转录组数据的积累和相关公共数据库的建立,基因表达数据的研究日益增多。然而,基于转录组的研究通常存在样本量小、维数高等问题,使得结果的统计意义不足。为了提高研究结果的可重复性,研究者通常收集不同研究的原始数据进行整合荟萃分析（meta-analysis）。研究表明,通过基因表达数据的荟萃分析得到的生物标志物（尤其是癌症诊断和预后的基因标志物）具有很好的临床转化潜力。但是,现有荟萃分析方法并没有充分考虑基因表达数据的生物学信息,因此所发现的生物标志物在独立验证数据中的预测效果不佳。为了克服现有荟萃分析方法用于生物标志物发现中存在的缺点,本课题对基因表达数据的荟萃分析方法展开研究,在荟萃分析中充分考虑基因表达数据的内在生物学信息。论文以肺癌基因表达数据的荟萃分析为例,整合来自多个研究的肺癌组织的基因表达数据,开发新的荟萃分析方法从肺癌基因表达数据中寻找用于肺癌分型和预后预测的生物标志物。首先,论文构建了基于生物通路（Biological pathway）的荟萃分析方法并应用于肺癌基因表达数据,寻找用于肺癌分型... 

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 基因表达数据研究介绍
        1.1.1 基因表达数据的获取
        1.1.2 基因表达数据库介绍
    1.2 基因表达数据荟萃分析研究意义与进展
    1.3 现有荟萃分析方法介绍
        1.3.1 基于组合效应和P值的分析方法
        1.3.2 基于随机森林策略的分析方法
    1.4 生存分析方法介绍
    1.5 论文主要研究内容
        1.5.1 研究内容
        1.5.2 论文结构
第二章 基于生物通路的荟萃分析
    2.1 引言
    2.2 实验数据来源与预处理
    2.3 实验方法
        2.3.1 预后与分型打分公式
        2.3.2 将基因数据转换为通路打分的方法
    2.4 实验结果与分析
        2.4.1 预后签名的挑选与检验
        2.4.2 诊断分型签名的挑选与检验
    2.5 基于生物通路策略的荟萃分析方法的讨论
第三章 基于深度学习的荟萃分析
    3.1 引言
    3.2 实验方法
    3.3 实验结果与分析
        3.3.1 预后签名的挑选与检验
        3.3.2 诊断分型签名的挑选与检验
    3.4 基于深度学习策略的荟萃分析方法的讨论
第四章 基于现有方法的荟萃分析
    4.1 引言
    4.2 实验数据来源与预处理
    4.3 基于组合效应和P值的荟萃分析
        4.3.1 基于组合值方法的预后分析
        4.3.2 基于组合值方法的诊断分析
    4.4 基于随机森林的荟萃分析
        4.4.1 基于随机森林的预后分析
        4.4.2 基于随机森林的诊断分析
    4.5 本章小结
第五章 不同方法的比较
    5.1 四种方法预后结果的比较分析
    5.2 四种方法诊断结果的比较分析
    5.3 四种方法的基因签名与已发表的比较
    5.4 新方法的分析总结
        5.4.1 新方法的结果讨论
        5.4.2 新方法的结果总结
第六章 总结与展望
    6.1 论文的研究成果
    6.2 论文的创新点
    6.3 不足与展望
致谢
参考文献
作者简介



本文编号：3704287