面向肿瘤异质性的癌症驱动变异发现算法研究

发布时间：2022-12-09 03:49

　　癌症主要由基因组变异导致,从癌症基因组变异中发现具有致癌作用的癌症驱动变异,对癌症诊断治疗的相关研究具有重要意义。随着高通量微阵列技术和下一代测序技术的发展,现有研究积累了大量癌症患者的基因组变异数据,为癌症驱动变异的计算发现提供了可能。在现有研究中,驱动变异发现方法主要检测变异在癌症样本中的发生频率,并将其中的高频变异作为癌症驱动变异。然而,近期研究表明癌症存在肿瘤异质性,即癌症中不同样本具有不同的基因组变异。在异质性癌症中,一些驱动变异仅在部分癌症样本中发生,而在全部样本中则表现出相对低频。因此,现有方法难以对上述驱动变异进行有效识别。为了有效发现异质性癌症中的驱动变异,本文根据癌症基因组变异的特点对矩阵分解进行针对性改进,提出面向异质性癌症的驱动变异发现算法。本文主要研究内容如下:1.为从拷贝数变异中发现癌症驱动变异,现有研究主要致力于识别癌症中的频发拷贝数变异。本研究通过对稀疏奇异值分解进行算法改进,构建针对复杂模式的频发拷贝数变异发现算法。在此基础上,进一步提出面向异质性癌症的亚群特异性频发拷贝数变异发现算法。性能评估表明,本研究算法对异质性癌症的驱动变异发现具有明显优势。2... 

【文章页数】：105 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景
        1.1.1 癌症驱动变异
        1.1.2 肿瘤异质性
    1.2 驱动变异发现相关数据
    1.3 研究现状
        1.3.1 CNA驱动变异发现方法
        1.3.2 SNV驱动变异相关基因发现方法
        1.3.3 基于矩阵分解的异质性癌症分析方法
    1.4 研究内容
第2章 异质性癌症CNA驱动变异的发现算法
    2.1 概述
    2.2 异质性癌症CNA分析相关数据介绍
        2.2.1 CNA数据格式
        2.2.2 CNA模拟数据集
        2.2.3 CNA真实癌症数据集
    2.3 基于矩阵分解的异质性癌症RCNA发现算法
        2.3.1 SVD与SSVD矩阵分解算法
        2.3.2 复杂模式RCNA发现算法
        2.3.3 亚群特异性RCNA发现算法
        2.3.4 RCNA变异的显著性检验
    2.4 性能评估指标
    2.5 结果与讨论
        2.5.1 模拟数据集RCNA发现结果分析
        2.5.2 真实数据集RCNA发现结果分析
    2.6 本章小结
第3章 异质性癌症SNV驱动变异相关基因的发现算法
    3.1 概述
    3.2 异质性癌症SNV分析相关数据介绍
    3.3 面向异质性癌症的mCGfinder算法
        3.3.1 基于网络正则化的矩阵分解算法
        3.3.2 驱动变异相关基因的显著性检验
    3.4 性能评估指标
    3.5 结果与讨论
        3.5.1 SNV驱动变异相关基因的发现结果分析
        3.5.2 SNV驱动变异相关基因的排名结果分析
        3.5.3 mCGfinder发现结果的案例分析
        3.5.4 急性髓细胞性白血病数据的发现结果分析
    3.6 本章小结
第4章 泛癌症SNV驱动变异相关基因的发现算法
    4.1 概述
    4.2 泛癌症分析相关数据介绍
    4.3 矩阵三分解泛癌症驱动基因发现方法
        4.3.1 非负矩阵三分解算法
        4.3.2 PanDriver算法
    4.4 结果与讨论
        4.4.1 PanDriver与基于NMF算法的比较结果分析
        4.4.2 PanDriver与现有方法的比较结果分析
        4.4.3 PanDriver发现结果的案例分析
    4.5 本章小结
第5章 总结与展望
    5.1 研究总结
    5.2 研究展望
参考文献
附图
致谢
在读期间发表的学术论文与取得的其他研究成果



本文编号：3714759