癌症致病通路中互斥突变识别的统计模型

发布时间：2017-06-07 21:02

  本文关键词：癌症致病通路中互斥突变识别的统计模型，由笔耕文化传播整理发布。

【摘要】：目的:随着高通量测序技术的不断改进和测序成本的下降,TCGA和ICGC等机构已积累了海量的癌症基因组变异数据,癌症基因的识别和预测已成为生物信息学研究的重点问题。本研究主要针对“互斥突变”的识别方法展开研究,重点介绍MEGSA算法的基本原理,通过模拟研究评价其检验效能,并将其应用于包含SNP和CNV的GBM数据,找出最优互斥基因集,为基因药物的研制和癌症的诊断与治疗提供依据。方法:了解癌症相关突变的研究进展,介绍现有识别互斥突变的方法,分析其基本原理及不足,总结出识别互斥突变的理想分析框架。MEGSA算法是目前为止识别互斥突变最优的算法。模拟分析中,固定MEGS基因数=3,按覆盖率?=0.1、0.2、0.25、0.3、0.4、0.5;样本量=50、100、200、300、400、500;随机突变基因数量=10、15、20、25、30;随机突变率=10%模拟突变矩阵,比较不同参数设置下的MEGS准确检出率。实例分析中,将包含261个病人、398个突变基因的GBM数据整理为二分突变矩阵,然后用R软件进行分析,初步寻找出GBM致癌通路上的互斥基因集。结果:模拟研究表明MEGSA识别互斥基因集的效能随覆盖率和样本量的增加而增大,而基因数的变化对其效能几乎没有影响。GBM突变数据经MEGSA分析,找到20个有意义的MEGS,共包含12个基因变异,其中SNP:RB1突变、TP53突变、IDH1突变、PTEN突变、NF1突变、SPTA1突变;CNV:CDK4扩增、CDKN2A缺失、MDM2扩增、EGFR扩增、PTEN缺失、PDGFRA扩增和一个CNV meta基因集(MET,CAP2A2,ST7-AS1,ST7,ST7-OT4)。最显著的MEGS包含三个基因变异:CDK4扩增、CDKN2A缺失和RB1突变。结论:MEGSA是一种相对灵活而有效的分析方法,不仅适用于位点突变数据,在包含拷贝数变异的数据中也有较好的检验效能。与Multi-Dendrix算法作比较,MEGSA具有较高的检验效能,其找出的突变基因除SPTA1外均已证实存在于GBM的致病通路中,且找出的CNV也证实与癌症的发生发展有关。但是MEGSA采用多路径搜索算法进行计算可能会丢失一些结果,且置换模拟需要较高的次数才能得到相对理想的结果,需要更大的计算机CPU和运行内存。
【关键词】：MEGSA算法 互斥突变 致癌通路 恶性胶质瘤
【学位授予单位】：山西医科大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R73-31
【目录】：

• 摘要6-8
• abstract8-10
• 常用缩写词中英文对照表10-11
• 前言11-14
• 1 体细胞突变识别的方法研究14-16
• 1.1 体细胞突变识别14
• 1.2 驱动突变识别14-16
• 1.2.1 基于先验知识的网络构建15
• 1.2.2 基于互斥突变识别致癌基因或通路15-16
• 2 互斥突变识别的方法研究16-22
• 2.1 RME算法16
• 2.2 MEMo算法16-17
• 2.3 Dendrix/MDPFinder/Multi-Dendrix算法17-19
• 2.4 Muex算法19-22
• 2.4.1 互斥模型20
• 2.4.2 独立模型20-21
• 2.4.3 互斥检验21-22
• 3 MEGSA算法22-26
• 3.1 似然比统计量（LRT）的计算22-24
• 3.2 总体无效检验24-25
• 3.3 用模型选择识别最优互斥基因集25-26
• 4 模拟研究26-29
• 4.1 模拟研究目的26
• 4.2 模拟数据设计26-27
• 4.3 模拟结果27-29
• 5 实例研究29-35
• 5.1 数据来源29-30
• 5.2 构建突变矩阵30
• 5.3 程序实现30-31
• 5.4 结果31-35
• 6 讨论35-39
• 6.1 算法讨论35
• 6.2 结果讨论35-39
• 参考文献39-42
• 综述42-48
• 参考文献46-48
• 致谢48-50
• 在学期间参与的科研课题与研究成果50-51
• 个人简历51

【相似文献】

中国硕士学位论文全文数据库 前1条

1 崔燕;癌症致病通路中互斥突变识别的统计模型[D];山西医科大学;2016年

  本文关键词：癌症致病通路中互斥突变识别的统计模型，由笔耕文化传播整理发布。

，

本文编号：430249