多组学数据整合算法及其在药物重定位领域的应用

发布时间：2021-04-27 08:00

　　自人类基因组计划开始以来,新的组学数据测定技术不断涌现,生命科学进入了多组学的时代。与仅使用单一组学数据的方法相比,整合多组学数据可以弥补任何单一组学中缺失或不可靠的信息,并通过多个证据来源降低假阳性。用于整合多组学或多维度生物医学数据的新算法成为多组学研究不可或缺的关键技术。此外,各种维度药物信息学数据的积累为药物研发特别是药物重定位带来了新的机遇,然而,目前大多数算法仍然仅使用单一维度的数据实现药物重定位预测,整合多维药物信息进行精确的药物重定位仍然面临挑战。本研究首先提出了一种基于在异质网络上重启随机游走的多组学数据整合算法,用于整合基于不同组学数据构建的相似性网络。该方法包含两个主要步骤:（1）构建每个组学数据的相似性网络,然后通过连接多个相似性网络的相应样本构建异质网络;（2）在异质网络上进行重启随机游走。经过多次迭代之后,得到稳态概率分布。利用稳态概率分布将多个相似性网络整合为一个相似性网络。本研究将算法应用于TCGA癌症数据,整合了三种类型的组学数据,并进行了聚类分析以辨识癌症亚型。实验结果表明,本研究提出的算法在性能上优于已有的方法。本研究所辨识的癌症亚型结果为临床应用... 

【文章来源】：军事科学院北京市

【文章页数】：87 页

【学位级别】：硕士

【文章目录】：
缩略语表
摘要
Abstract
前言
    0.1 论文的研究背景
        0.1.1 多组学数据整合分析快速发展
        0.1.2 多维药物信息学数据的积累为药物重定位带来机遇
        0.1.3 药-靶-病关联关系预测有助于实现精准药物重定位
    0.2 论文的组织结构
    0.3 论文的创新点
第一章 基于异质网络重启随机游走的多组学数据整合算法
    1.1 研究背景
    1.2 数据来源及预处理
    1.3 算法介绍
        1.3.1 评估指标
        1.3.2 RWRI算法
        1.3.3 RWRNI算法
        1.3.4 算法的收敛性与参数选择
        1.3.5 聚类方法
    1.4 算法性能分析
        1.4.1 算法框架概览
        1.4.2 算法抗噪能力
        1.4.3 算法性能
    1.5 案例研究
    1.6 讨论与小结
第二章 面向药物重定位的多维度数据整合计算框架及其应用
    2.1 研究背景
    2.2 数据与方法
        2.2.1 药物重定位框架概览
        2.2.2 数据来源
        2.2.3 药物相似性度量
        2.2.4 相似性网络融合算法
        2.2.5 聚类有效性指标
        2.2.6 评估指标
        2.2.7 对比方法
        2.2.8 数据贡献度评估
        2.2.9 统计分析方法
    2.3 药物重定位框架的构建与应用
        2.3.1 整合药物相似性网络的构建及基于PIMD框架的全局分析
        2.3.2 与其他方法的对比
        2.3.3 基于整合药物相似性网络进行药物重定位
        2.3.4 整合药物相似性网络的社团分析
    2.4 药物重定位案例研究
    2.5 讨论与小结
第三章 基于多维度数据整合的药-靶-病关联关系预测计算框架
    3.1 研究背景
    3.2 数据与方法
        3.2.1 数据来源及预处理
        3.2.2 三元关联预测计算框架
        3.2.3 参数选择
    3.3 三元关联预测计算框架的应用
        3.3.1 性能评估
        3.3.2 多维度数据整合的优越性
        3.3.3 与其他方法的对比
        3.3.4 三元关联预测结果与其他数据库的交叉对比
        3.3.5 社团分析
    3.4 讨论与小结
第四章 结论与展望
参考文献
作者在学期间取得的学术成果
主要简历
致谢



本文编号：3163102