转录组与脑网络组图谱融合的算法研究

发布时间：2022-01-27 02:13

　　大脑是一个极其复杂的系统,控制着各种生命活动,对大脑的全方位探索是人类的不懈追求。基于大脑的结构和功能连接信息构建的脑网络组图谱是研究大脑的利器,而大脑各组织区域基因转录表达的差异决定着各脑区的组织连接和功能活动。因此通过对微观的大脑转录组数据与宏观的脑网络组图谱的融合研究,不仅可以在分子层面验证脑网络组图谱亚区划分的可靠性,而且可以发现主导脑区功能活动的驱动基因,对二者的联合分析极大地推动了脑科学的发展。转录组数据是一种典型的高维小样本数据,数据的高维特性带来了维数灾难,导致计算复杂度的提高,阻碍了后续分析,解决维数灾难常用的方法就是对数据进行降维处理。维数灾难是个重要但是难解的问题,且没有放之四海而皆准的解决方案,针对转录组数据,还没有人系统研究过合适的降维算法。本文根据转录组数据的特点,以及转录组和脑网络组图谱的融合研究中对特征可解释性的需求,提出了适用于转录组数据的特征选择准则,采用对特征评分排序的思想,基于不同的评价标准研究了多种特征选择算法在转录组数据上的应用。通过运用特征选择结合机器学习算法,本文以梭状回数据为例,对转录组和脑网络组图谱融合的特征选择算法和分类算法进行了验... 

【文章来源】：电子科技大学四川省211工程院校985工程院校教育部直属院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

脑网络组图谱

工具箱主界面

第三章3.5本章小结特征降维是处理转录组这类高维小样本数据集常用的解决方案，特征降维不仅可以减少数据的规模，降低无关特征对任务的影响，同时可以进一步提升模型第三章转录组数据维数灾难的解决方案31图3-4特征选择功能界面

【参考文献】：
期刊论文
[1]面向不平衡数据集的改进型SMOTE算法[J]. 王超学,张涛,马春森.  计算机科学与探索. 2014(06)
[2]基于假设间隔的弱随机特征子空间生成算法[J]. 李志亮,黄丹.  贵阳学院学报(自然科学版). 2012(03)
[3]数据降维方法分析与研究[J]. 吴晓婷,闫德勤.  计算机应用研究. 2009(08)
[4]高维数据特征降维研究综述[J]. 胡洁.  计算机应用研究. 2008(09)

硕士论文
[1]基于脑网络组图谱的转录组分析软件开发与应用研究[D]. 张锦锋.电子科技大学 2018



本文编号：3611559