基于肿瘤测序数据的亚克隆重构方法研究
发布时间：2021-04-25 19:09
肿瘤中含有多种从单个祖先细胞种群通过连续获取突变而形成的在基因组水平不同的细胞种群。通过自然选择,这种肿瘤内基因异质性能够使肿瘤获得适应性,从而导致治疗失败。肿瘤中含有某变异的所有的细胞的集合称为该变异的亚克隆种群（Subclonal population）。亚克隆重构（Subclonal reconstruction）,即重构肿瘤中变异的亚克隆种群的进化树,能够有助于识别与癌症的发生和进展相关的重要驱动变异,进而设计更有效的治疗方案。现有基于测序数据进行亚克隆重构的算法依据变异的亚克隆种群比例推导肿瘤的进化结构。随着测序技术发展和测序成本的降低,在癌症发展的进程中,通过多种测序技术、多次测序来进行分析肿瘤成为可能,然而目前没有基于多种测序技术的多次肿瘤测序数据进行亚克隆重构的自动化方法。针对该问题,本文开展了肿瘤中最常见的体细胞拷贝数突变（Somatic copy number alternation,SCNA）的亚克隆重构相关的研究,相关的主要工作包括以下四个方面。（1）提出了一种基于贝叶斯概率模型和层次聚类的肿瘤测序数据偏差校正方法。现有基于肿瘤和其对照样本的测序短片段（Read...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：138 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题背景和意义
1.1.1 研究背景
1.1.2 研究目的和意义
1.2 相关背景知识
1.2.1 肿瘤亚克隆
1.2.2 亚克隆重构
1.2.3 用于亚克隆重构的测序数据特征
1.3 研究现状综述
1.3.1 肿瘤测序数据的偏差校正
1.3.2 肿瘤亚克隆种群中变异位置的识别方法
1.3.3 亚克隆比例的求解方法
1.3.4 亚克隆进化树重构方法
1.4 所存在的主要问题
1.5 本文内容安排
第2章 基于贝叶斯概率模型和层次聚类的肿瘤测序数据偏差校正方法
2.1 引言
2.2 肿瘤测序数据信息
2.3 肿瘤测序数据的偏差研究
2.3.1 肿瘤与对照样本的二代测序数据的偏差差异
2.3.2 偏差差异对求解亚克隆比例的影响
2.4 基于贝叶斯网络和层次聚类的肿瘤测序数据偏差校正算法
2.4.1 偏差差异建模
2.4.2 偏差校正方法
2.5 基于贝叶斯网络和层次聚类的肿瘤测序数据偏差校正算法的性能与分析
2.5.1 模拟数据的测试
2.5.2 HCC1954 系列实验数据的测试
2.5.3 HCC1954 基线位置的旁证
2.5.4 二代测序数据的信噪比对SCNA分析的影响
2.6 本章小结
第3章 基于均值漂移和层次聚类的变异片段聚合方法
3.1 引言
3.2 基于均值漂移和层次聚类的亚克隆变异片段聚合算法
3.2.1 亚克隆比例的解空间分析
3.2.2 片段聚合算法
3.3 基于均值漂移和层次聚类的亚克隆变异片段聚合算法的验证
3.3.1 基于模拟数据的验证
3.3.2 基于TCGA数据的验证
3.4 本章小结
第4章 基于贝叶斯网络的亚克隆比例计算方法
4.1 引言
4.2 亚克隆比例的贝叶斯网络模型
4.2.1 亚克隆比例建模
4.2.2 亚克隆比例计算方法
4.3 基于贝叶斯网络的亚克隆比例计算方法实验结果与分析
4.3.1 模拟数据的验证
4.3.2 TCGA数据的验证
4.4 本章小结
第5章 基于多阶段树学习的亚克隆进化树重构
5.1 引言
5.2 多阶段树学习算法
5.2.1 时序拓扑规则原理
5.2.2 基于肿瘤测序数据的变异时序检测方法
5.2.3 多阶段树抽样方法
5.3 多阶段树学习算法的扩展
5.3.1 时序拓扑规则的扩展
5.3.2 累加规则和交叉规则在多阶段树抽样中的约束
5.3.3 单细胞测序数据在多阶段树抽样中的约束
5.4 基于多阶段树学习的亚克隆种群识别及其进化树重构方法
5.5 亚克隆种群识别及其进化树重构方法性能和评价
5.5.1 模拟数据的验证
5.5.2 多阶段树学习可以缩小亚克隆比例解空间
5.5.3 突变发生时间点的估计
5.6 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其他成果
索引
致谢
个人简历
【参考文献】：
期刊论文
[1]“控癌战”而非“抗癌战”[J]. 汤钊猷. 世界科学. 2018(02)
[2]2017中国城市癌症最新数据报告[J]. 记者观察. 2017(05)
本文编号：3159932
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：138 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题背景和意义
1.1.1 研究背景
1.1.2 研究目的和意义
1.2 相关背景知识
1.2.1 肿瘤亚克隆
1.2.2 亚克隆重构
1.2.3 用于亚克隆重构的测序数据特征
1.3 研究现状综述
1.3.1 肿瘤测序数据的偏差校正
1.3.2 肿瘤亚克隆种群中变异位置的识别方法
1.3.3 亚克隆比例的求解方法
1.3.4 亚克隆进化树重构方法
1.4 所存在的主要问题
1.5 本文内容安排
第2章 基于贝叶斯概率模型和层次聚类的肿瘤测序数据偏差校正方法
2.1 引言
2.2 肿瘤测序数据信息
2.3 肿瘤测序数据的偏差研究
2.3.1 肿瘤与对照样本的二代测序数据的偏差差异
2.3.2 偏差差异对求解亚克隆比例的影响
2.4 基于贝叶斯网络和层次聚类的肿瘤测序数据偏差校正算法
2.4.1 偏差差异建模
2.4.2 偏差校正方法
2.5 基于贝叶斯网络和层次聚类的肿瘤测序数据偏差校正算法的性能与分析
2.5.1 模拟数据的测试
2.5.2 HCC1954 系列实验数据的测试
2.5.3 HCC1954 基线位置的旁证
2.5.4 二代测序数据的信噪比对SCNA分析的影响
2.6 本章小结
第3章 基于均值漂移和层次聚类的变异片段聚合方法
3.1 引言
3.2 基于均值漂移和层次聚类的亚克隆变异片段聚合算法
3.2.1 亚克隆比例的解空间分析
3.2.2 片段聚合算法
3.3 基于均值漂移和层次聚类的亚克隆变异片段聚合算法的验证
3.3.1 基于模拟数据的验证
3.3.2 基于TCGA数据的验证
3.4 本章小结
第4章 基于贝叶斯网络的亚克隆比例计算方法
4.1 引言
4.2 亚克隆比例的贝叶斯网络模型
4.2.1 亚克隆比例建模
4.2.2 亚克隆比例计算方法
4.3 基于贝叶斯网络的亚克隆比例计算方法实验结果与分析
4.3.1 模拟数据的验证
4.3.2 TCGA数据的验证
4.4 本章小结
第5章 基于多阶段树学习的亚克隆进化树重构
5.1 引言
5.2 多阶段树学习算法
5.2.1 时序拓扑规则原理
5.2.2 基于肿瘤测序数据的变异时序检测方法
5.2.3 多阶段树抽样方法
5.3 多阶段树学习算法的扩展
5.3.1 时序拓扑规则的扩展
5.3.2 累加规则和交叉规则在多阶段树抽样中的约束
5.3.3 单细胞测序数据在多阶段树抽样中的约束
5.4 基于多阶段树学习的亚克隆种群识别及其进化树重构方法
5.5 亚克隆种群识别及其进化树重构方法性能和评价
5.5.1 模拟数据的验证
5.5.2 多阶段树学习可以缩小亚克隆比例解空间
5.5.3 突变发生时间点的估计
5.6 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其他成果
索引
致谢
个人简历
【参考文献】：
期刊论文
[1]“控癌战”而非“抗癌战”[J]. 汤钊猷. 世界科学. 2018(02)
[2]2017中国城市癌症最新数据报告[J]. 记者观察. 2017(05)
本文编号：3159932
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3159932.html
