基于多组学数据的癌症分类方法研究

发布时间：2022-08-11 12:57

　　癌症是目前全球第二大主要死因,世界上平均六分之一的人死于癌症。为了减轻其对人类健康的影响,大量研究工作致力于癌症的诊断和治疗技术。利用人类的组学数据对癌症的类型、临床事件进行分类预测对癌症患者实现早期诊断具有重大实用价值以及研究意义。多组学数据的综合分析提供了患者的全面视角,有可能让临床决策更加准确。但是有效利用多组学数据用于癌症的分类与分析仍然是一巨大的挑战。其体现在它是一个“多特征、少样本”的问题。由于获取组学数据成本较高,连无标签数据样本都很少。利用单种类型的数据对病人分类是“多特征、少样本”问题,如果不考虑不同组学间的关联关系,使用多种数据作为输入数据将更容易导致“维度灾难”,更容易过拟合。针对上述问题,本文提出一种整合多组学数据来对癌症进行分类的方法。首先,为了挖掘分子间以及分子与病人间的潜在的联系,本文提出并构建一个集成多种生物分子交互网络的异质网络,它能将交互网络上不同类型的生物分子以及病人嵌入到同一空间。因为该网络是带权重的,所以本文提出一个带权重异质表示学习算法,用于对该网络的表示学习,从而获得带有关联信息的节点表示。接下来,本文提出了关联知识约束的多视图自编码器,把... 

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及目的意义
    1.2 国内外研究现状及分析
    1.3 主要研究内容
    1.4 本文组织结构
第2章 利用组学数据对癌症分类相关研究概述
    2.1 引言
    2.2 多组学数据影响癌症的相关研究
        2.2.1 分子表达谱
        2.2.2 生物分子交互网络
        2.2.3 TCGA泛癌数据
    2.3 利用组学数据对癌症分类的相关研究
        2.3.1 利用组学数据对癌症相关研究
        2.3.2 基于多组学数据的癌症分类相关研究
    2.4 小结
第3章 基于异质网络节点嵌入的多组学交互网络表示学习
    3.1 引言
    3.2 异质信息网络表示学习研究
    3.3 融合多个交互网络的异质网络的设计与构建
    3.4 带权重的异质网络表示学习方法
    3.5 实验与分析
        3.5.1 评价标准
        3.5.2 嵌入捕获节点相似性的分析
        3.5.3 嵌入用于下游任务的性能分析
    3.6 小结
第4章 交互网络关联知识约束的癌症分类方法
    4.1 引言
    4.2 多视图自编码器相关的基础知识
        4.2.1 自编码器
        4.2.2 因子分解机
        4.2.3 多视图学习
        4.2.4 多视图分解自编码器
    4.3 关联知识约束的多视图分类方法
    4.4 实验结果及分析
        4.4.1 数据的收集以及处理
        4.4.2 癌症分类器性能分析
        4.4.3 节点表示学习结果分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢


【参考文献】：
期刊论文
[1]AttrHIN2Vec:一种新型异质信息网络表示学习模型[J]. 文鹏,李青,熊友.  现代计算机(专业版). 2019(11)

硕士论文
[1]基于基因表达谱和蛋白质互作网络的癌症分类预测模型研究[D]. 张学扶.湖南大学 2018
[2]基于神经网络的全基因组DNA甲基化预测研究[D]. 刘光辉.大连海事大学 2017
[3]基于深度自编码的多癌症分子分型建模与分析[D]. 余淼.华中科技大学 2016



本文编号：3674702