基于WGCNA方法的肝癌預(yù)后及分期研究
發(fā)布時間:2021-09-17 02:14
肝細(xì)胞癌(Hepatocellular carcinoma,HCC)是全球最常見的惡性腫瘤,也是全球第五大癌癥相關(guān)死亡原因。HCC的發(fā)生發(fā)展是一個多基因參與、多因素作用、多階段進(jìn)展的較為復(fù)雜的生物學(xué)過程,我們對其發(fā)展和進(jìn)步機制了解甚少。目前,在確定復(fù)發(fā)風(fēng)險高的患者和肝細(xì)胞癌的早期診斷方面均存在著嚴(yán)重不足。因此,本文借助基因表達(dá)數(shù)據(jù)從內(nèi)在的分子水平研究其臨床表現(xiàn),深入了解肝細(xì)胞癌的分子機制進(jìn)而提高其診治效果。首先,本文建立了基于基因表達(dá)數(shù)據(jù)的肝細(xì)胞癌預(yù)后模型。對表達(dá)數(shù)據(jù)進(jìn)行預(yù)處理和差異表達(dá)分析,訓(xùn)練集借助加權(quán)基因共表達(dá)網(wǎng)絡(luò)(WGCNA)構(gòu)建模型,聚類出四個模塊;再通過逐步Cox風(fēng)險比例回歸,發(fā)現(xiàn)turquoise模塊與患者生存期顯著相關(guān),并且該模塊基因主要富集在與代謝功能相關(guān)的過程中;然后,通過單因素Cox比例風(fēng)險回歸方法對該模塊深入挖掘,從而得到45個與無復(fù)發(fā)生存期密切相關(guān)的基因,使用測試集進(jìn)行驗證,Kaplan-meier曲線和對數(shù)秩檢驗對分類結(jié)果的檢驗顯示兩組患者低風(fēng)險標(biāo)記組與高風(fēng)險標(biāo)記組的未復(fù)發(fā)率差異顯著;最終將基因標(biāo)記分組和臨床信息共同作協(xié)變量,進(jìn)一步驗證了標(biāo)記分組在HCC臨床...
【文章來源】:華北電力大學(xué)(北京)北京市 211工程院校 教育部直屬院校
【文章頁數(shù)】:53 頁
【學(xué)位級別】:碩士
【部分圖文】:
圖2-丨訓(xùn)練集去除離群樣本前后IAC分布直方圖??
為保證網(wǎng)絡(luò)構(gòu)建結(jié)果的可靠性,首先需要對數(shù)據(jù)源進(jìn)行質(zhì)量控制,包括芯??片表達(dá)數(shù)據(jù)預(yù)處理和異常樣本的去除。借助IAC方法去除離群樣本并根據(jù)樣本??聚類樹高度衡量去除效果。我們經(jīng)過三次上述步驟操作,從直方圖2-1中看出??為除去離群樣本時圖像左側(cè)出現(xiàn)一個較長的拖尾,除去離群樣本后IAC的平均??值由0.635升至0.668。如圖2-2所示樣本的聚類樹高度由高于0.6降至低于0.4。??經(jīng)處理后,訓(xùn)練集剩余99個樣本,測試集剩余96個樣本。??Cluster?Dendrogram?Cluster?Dendrogram??i?^?:丨??萃?涅??as.dist(1?-?IAC)?as.dist(1?-?IAC)??hclust?(*,?"average")?hdust?(*,?"average")??圖2-2訓(xùn)練集去除離群樣本前后樣本聚類樹示意圖??2.3.2網(wǎng)絡(luò)構(gòu)建前提——無尺度網(wǎng)絡(luò)??加權(quán)基因共表達(dá)網(wǎng)絡(luò)需滿足無尺度網(wǎng)絡(luò)條件,定義基因共表達(dá)矩陣中的元??素是基因相關(guān)系數(shù)的加權(quán)值,選擇權(quán)重標(biāo)準(zhǔn)是每個基因網(wǎng)絡(luò)中包含基因之間的??連接需服從無尺度網(wǎng)絡(luò)分布(scale-freenetworks)?[33],即連接數(shù)為/的概率;?(〇??與f的r次方成反比
為保證網(wǎng)絡(luò)構(gòu)建結(jié)果的可靠性,首先需要對數(shù)據(jù)源進(jìn)行質(zhì)量控制,包括芯??片表達(dá)數(shù)據(jù)預(yù)處理和異常樣本的去除。借助IAC方法去除離群樣本并根據(jù)樣本??聚類樹高度衡量去除效果。我們經(jīng)過三次上述步驟操作,從直方圖2-1中看出??為除去離群樣本時圖像左側(cè)出現(xiàn)一個較長的拖尾,除去離群樣本后IAC的平均??值由0.635升至0.668。如圖2-2所示樣本的聚類樹高度由高于0.6降至低于0.4。??經(jīng)處理后,訓(xùn)練集剩余99個樣本,測試集剩余96個樣本。??Cluster?Dendrogram?Cluster?Dendrogram??i?^?:丨??萃?涅??as.dist(1?-?IAC)?as.dist(1?-?IAC)??hclust?(*,?"average")?hdust?(*,?"average")??圖2-2訓(xùn)練集去除離群樣本前后樣本聚類樹示意圖??2.3.2網(wǎng)絡(luò)構(gòu)建前提——無尺度網(wǎng)絡(luò)??加權(quán)基因共表達(dá)網(wǎng)絡(luò)需滿足無尺度網(wǎng)絡(luò)條件,定義基因共表達(dá)矩陣中的元??素是基因相關(guān)系數(shù)的加權(quán)值,選擇權(quán)重標(biāo)準(zhǔn)是每個基因網(wǎng)絡(luò)中包含基因之間的??連接需服從無尺度網(wǎng)絡(luò)分布(scale-freenetworks)?[33],即連接數(shù)為/的概率;?(〇??與f的r次方成反比
本文編號:3397755
【文章來源】:華北電力大學(xué)(北京)北京市 211工程院校 教育部直屬院校
【文章頁數(shù)】:53 頁
【學(xué)位級別】:碩士
【部分圖文】:
圖2-丨訓(xùn)練集去除離群樣本前后IAC分布直方圖??
為保證網(wǎng)絡(luò)構(gòu)建結(jié)果的可靠性,首先需要對數(shù)據(jù)源進(jìn)行質(zhì)量控制,包括芯??片表達(dá)數(shù)據(jù)預(yù)處理和異常樣本的去除。借助IAC方法去除離群樣本并根據(jù)樣本??聚類樹高度衡量去除效果。我們經(jīng)過三次上述步驟操作,從直方圖2-1中看出??為除去離群樣本時圖像左側(cè)出現(xiàn)一個較長的拖尾,除去離群樣本后IAC的平均??值由0.635升至0.668。如圖2-2所示樣本的聚類樹高度由高于0.6降至低于0.4。??經(jīng)處理后,訓(xùn)練集剩余99個樣本,測試集剩余96個樣本。??Cluster?Dendrogram?Cluster?Dendrogram??i?^?:丨??萃?涅??as.dist(1?-?IAC)?as.dist(1?-?IAC)??hclust?(*,?"average")?hdust?(*,?"average")??圖2-2訓(xùn)練集去除離群樣本前后樣本聚類樹示意圖??2.3.2網(wǎng)絡(luò)構(gòu)建前提——無尺度網(wǎng)絡(luò)??加權(quán)基因共表達(dá)網(wǎng)絡(luò)需滿足無尺度網(wǎng)絡(luò)條件,定義基因共表達(dá)矩陣中的元??素是基因相關(guān)系數(shù)的加權(quán)值,選擇權(quán)重標(biāo)準(zhǔn)是每個基因網(wǎng)絡(luò)中包含基因之間的??連接需服從無尺度網(wǎng)絡(luò)分布(scale-freenetworks)?[33],即連接數(shù)為/的概率;?(〇??與f的r次方成反比
為保證網(wǎng)絡(luò)構(gòu)建結(jié)果的可靠性,首先需要對數(shù)據(jù)源進(jìn)行質(zhì)量控制,包括芯??片表達(dá)數(shù)據(jù)預(yù)處理和異常樣本的去除。借助IAC方法去除離群樣本并根據(jù)樣本??聚類樹高度衡量去除效果。我們經(jīng)過三次上述步驟操作,從直方圖2-1中看出??為除去離群樣本時圖像左側(cè)出現(xiàn)一個較長的拖尾,除去離群樣本后IAC的平均??值由0.635升至0.668。如圖2-2所示樣本的聚類樹高度由高于0.6降至低于0.4。??經(jīng)處理后,訓(xùn)練集剩余99個樣本,測試集剩余96個樣本。??Cluster?Dendrogram?Cluster?Dendrogram??i?^?:丨??萃?涅??as.dist(1?-?IAC)?as.dist(1?-?IAC)??hclust?(*,?"average")?hdust?(*,?"average")??圖2-2訓(xùn)練集去除離群樣本前后樣本聚類樹示意圖??2.3.2網(wǎng)絡(luò)構(gòu)建前提——無尺度網(wǎng)絡(luò)??加權(quán)基因共表達(dá)網(wǎng)絡(luò)需滿足無尺度網(wǎng)絡(luò)條件,定義基因共表達(dá)矩陣中的元??素是基因相關(guān)系數(shù)的加權(quán)值,選擇權(quán)重標(biāo)準(zhǔn)是每個基因網(wǎng)絡(luò)中包含基因之間的??連接需服從無尺度網(wǎng)絡(luò)分布(scale-freenetworks)?[33],即連接數(shù)為/的概率;?(〇??與f的r次方成反比
本文編號:3397755
本文鏈接:http://sikaile.net/kejilunwen/jiyingongcheng/3397755.html
最近更新
教材專著