基于神经网络的全基因组DNA甲基化预测研究

发布时间：2021-01-05 04:10

　　作为人类基因组重要的表观遗传现象,DNA甲基化是基因表达调控中常见而又重要的机制,参与细胞分化与增殖、生物体老化、肿瘤发生等多种重要的生命活动。DNA甲基化状态的检测是肿瘤类型鉴别诊断的辅助手段,可用于癌症发生的抑癌基因特异性失活的检测。新一代测序技术可以实现全基因组单碱基分辨率的甲基化检测,但是测序方法相对昂贵,采用计算的方法对DNA甲基化进行预测成为当前DNA甲基化生物信息学研究的热点。本文构建了预测DNA甲基化状态的三种神经网络模型,结果表明,与已有的模型相比,提高了 DNA甲基化的预测准确率。本文主要工作如下:（1）利用人工神经网络模型预测DNA甲基化状态。使用人工手段组合不同的DNA甲基化特征,训练人工神经网络模型,预测DNA甲基化状态（2）利用深度神经网络和卷积神经网络预测DNA甲基化状态。使用DNA甲基化的全部特征信息,分别构建5层的深度神经网络模型和4层的卷积神经网络模型预测DNA甲基化状态。（3）利用深度神经网络和卷积神经网络提取的DNA甲基化特征,使用随机森林分类器进行DNA甲基化的预测。提取深度神经网络模型得到的特征,输入到随机森林模型进行状态预测,将深度神经网络... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 DNA甲基化预测研究现状
    1.3 论文结构及主要内容
第2章 DNA甲基化数据及两种预测模型
    2.1 CpG位点简介
    2.2 DNA甲基化数据及预处理
    2.3 模型评价指标
    2.4 已有DNA甲基化预测研究
        2.4.1 基于随机森林模型的DNA甲基化预测
        2.4.2 基于DNA序列特征信息的DNA甲基化预测
    2.5 本章小结
第3章 基于人工神经网络的DNA甲基化预测
    3.1 神经网络预测模型的结构与原理
        3.1.1 神经网络预测模型的结构
        3.1.2 神经网络预测模型的原理
    3.2 神经网络预测模型的训练
        3.2.1 确定隐藏层神经元个数
        3.2.2 确定训练样本
    3.3 实验结果及性能分析
第4章 基于深度学习的DNA甲基化预测
    4.1 基于深度神经网络的DNA甲基化预测
        4.1.1 深度神经网络的基本结构及原理
        4.1.2 深度神经网络的模型训练及优化
    4.2 基于卷积神经网络的DNA甲基化预测
        4.2.1 卷积神经网络结构及相关运算
        4.2.2 卷积神经网络的模型训练及优化
    4.3 结合深度学习与随机森林的DNA甲基化预测
    4.4 研究结果及性能分析
        4.4.1 深度神经网络与卷积神经网络预测性能分析
        4.4.2 结合深度学习与随机森林的预测性能分析
第5章 总结与展望
    5.1 论文总结
    5.2 展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]人类基因组DNA甲基化数据分析的研究现状[J]. 凡时财,李承哲,裴云飞.  中国科学:生命科学. 2015(05)
[2]人类基因组CpG岛甲基化概况的预测[J]. 凡时财,邹见效,徐红兵,张学工.  科学通报. 2010(14)
[3]人类表观基因组计划[J]. 黄庆,郭颖,府伟灵.  生命的化学. 2004(02)

博士论文
[1]基于深度学习的基因组功能元件的识别与注释[D]. 刘峰.中国人民解放军军事医学科学院 2016

硕士论文
[1]人工神经网络隐层神经元数的确定[D]. 王立威.重庆大学 2012



本文编号：2957996