基于多组学数据的癌症协同驱动通路识别研究

发布时间：2021-05-08 16:03

　　癌症主要由生命体存活过程中体细胞突变加速积累引起,癌症研究的一个关键步骤是区分驱动突变和驱动基因,这些突变和驱动基因导致肿瘤从正常状态向恶性状态转变。研究发现尽管个体肿瘤表现出多样性的体细胞移植和拷贝数变化,但是这些事件倾向于影响有限数量的生物学通路,癌症基因倾向于聚集在有限的基本生物学通路中,并且基因水平的多样性和复杂性在通路水平显著降低。因此近年来更多的研究关注于识别驱动通路和模块而不是单个基因。此外,像基因一样,个体通路不能单独承担生命活动。在癌症发展期间,多条驱动通路很可能协同地参与正常细胞向肿瘤的转化过程。现有驱动通路识别方法大多只针对单一的驱动通路。由于单一突变数据可提供的信息有限以及现有的通路互作信息尚不完整,给协同驱动通路的识别带来了巨大的挑战。本文结合多组学生物数据,进行协同驱动通路识别研究,主要工作如下:（1）针对多维组学生物数据利用不足的问题,提出一种基于矩阵分解和三元随机游走的协同驱动通路识别方法（CoDP）。该方法首先在基因和microRNA（miRNA）表达数据上,引入基因互作和基因-miRNA调控网络,进行协同矩阵分解,得到与疾病相关的基因-miRNA模块... 

【文章来源】：西南大学重庆市 211工程院校 教育部直属院校

【文章页数】：101 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 单通路识别方法
        1.2.2 协同通路识别方法
    1.3 本文主要研究内容
    1.4 本文的组织结构
2 相关理论和技术
    2.1 驱动通路识别相关知识
    2.2 多组学数据
    2.3 通路常用数据库
    2.4 驱动通路评价指标
    2.5 本章小结
3 基于矩阵分解和三元随机游走的协同驱动通路识别
    3.1 CoDP方法介绍
        3.1.1 矩阵分解
        3.1.2 三元随机游走
        3.1.3 最大覆盖识别驱动通路
    3.2 实验结果分析
        3.2.1 数据集
        3.2.2 协同模块分析
        3.2.3 协同驱动通路分析
        3.2.4 对比实验分析
    3.3 本章小结
4 基于整数线性规划和马尔科夫聚类的协同驱动通路识别
    4.1 CDPath方法概述
        4.1.1 协同驱动模块识别
        4.1.2 通路互作网络上的马尔科夫聚类
        4.1.3 协同驱动通路识别
    4.2 实验结果分析
        4.2.1 数据集
        4.2.2 模拟数据实验分析
        4.2.3 真实数据实验分析
        4.2.4 对比实验分析
    4.3 本章小结
5 基于贪心互斥和双聚类的协同驱动通路识别
    5.1 Co Path方法概述
        5.1.1 互斥模块识别
        5.1.2 双正则双聚类
    5.2 实验结果分析
        5.2.1 数据集
        5.2.2 互斥模块分析
        5.2.3 协同驱动通路分析
        5.2.4 对比实验分析
    5.3 本章小结
6 基于基因、miRNA和通路的协同驱动通路识别方法
    6.1 CDPathway方法概述
        6.1.1 基因引力模型
        6.1.2 三元矩阵分解
    6.2 实验结果分析
        6.2.1 数据集
        6.2.2 候选基因分析
        6.2.3 重构矩阵分析
        6.2.4 协同驱动通路分析
        6.2.5 对比实验分析
    6.3 本章小结
7 总结与展望
    7.1 论文总结
    7.2 论文展望
参考文献
附录
致谢
发表论文及参加课题一览表


【参考文献】：
期刊论文
[1]基于突变基因网络的致癌驱动通路检测算法[J]. 吴昊.  计算机学报. 2018(06)

硕士论文
[1]基于多组学数据的癌症驱动通路识别算法研究[D]. 蔡齐荣.广西师范大学 2019



本文编号：3175623