當(dāng)前,癌癥成為嚴(yán)重危害人們生命的疾病之一,研究癌癥的發(fā)生十分必要。大量的癌癥多組學(xué)生物數(shù)據(jù)由于高通量測序技術(shù)的快速發(fā)展而不斷涌出,為分析癌癥的發(fā)病機(jī)理帶來了新的機(jī)遇。臨床研究發(fā)現(xiàn)具有相同病理特征的癌癥患者對相同的治療方案存在明顯的預(yù)后差別,因而進(jìn)一步地發(fā)現(xiàn)癌癥亞型具有重要的研究價值。癌癥亞型是對同一種癌癥病人進(jìn)行分組,形成不相同的分組結(jié)果,可用來指導(dǎo)癌癥的早期診斷與個性化治療,進(jìn)而使治療效果有所提高;同時對于癌癥發(fā)病機(jī)理研究和藥物靶標(biāo)的識別具有重要科學(xué)意義。癌癥亞型發(fā)現(xiàn)的有效途徑之一是基于聚類算法,其通過對多組學(xué)生物數(shù)據(jù)進(jìn)行整合,從而提取出與臨床聯(lián)系密切的腫瘤亞型。本文主要研究面向癌癥基因組學(xué)生物分子數(shù)據(jù)的聚類算法,主要研究工作如下:1、提出了一種基于簇間相似度和病人權(quán)重的集成聚類方法,該方法通過隨機(jī)變換縮放性指數(shù)相似度核函數(shù)中的兩個參數(shù)來產(chǎn)生多個不相同的基本簇,針對樣本在基本簇中聚類的難易程度計算出各樣本的權(quán)重。再將得到的樣本權(quán)重融入各樣本簇相似度計算過程中,最后利用基于圖分割的方法來得到最終的聚類結(jié)果。2、提出了一種基于子空間自適應(yīng)對齊聚類算法,該方法首先從每個組學(xué)數(shù)據(jù)的相似性網(wǎng)絡(luò)...

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1全球癌癥新增病例數(shù)和死亡病例數(shù)的區(qū)域分布統(tǒng)計

安徽大學(xué)碩士學(xué)位論文1第一章緒論1.1研究背景和意義隨著現(xiàn)代醫(yī)療水平的不斷進(jìn)步，我們對癌癥有了更多的了解，但是全球各種類型癌癥的發(fā)生仍越來越頻繁，癌癥已然成為威脅人類生命健康最主要的殺手。在人類身上，目前已經(jīng)發(fā)現(xiàn)了一百多種癌癥，多數(shù)患者由于癌癥的并發(fā)性遭受了巨大的病痛。若想提高人....

圖2.1多核學(xué)習(xí)算法示意圖

安徽大學(xué)碩士學(xué)位論文112.2.3基于多核學(xué)習(xí)算法的聚類算法多核學(xué)習(xí)算法最初是為了提高各種核函數(shù)如線性核、高斯核和多項式核等搜索空間的容量，以實現(xiàn)良好的泛化。相比于單個核函數(shù)[37]，多核學(xué)習(xí)[38-40]模型所具有的靈活性更高。由于多核學(xué)習(xí)中多個核函數(shù)可應(yīng)用于不同的組學(xué)數(shù)據(jù)，使....

圖3.1LWEC方法的流程圖：(A)隨機(jī)變換縮放性指數(shù)相似度核函數(shù)中的兩個參數(shù)產(chǎn)生多個不相同的樣本簇;(B)依據(jù)共聯(lián)合矩陣中的值來計算出各樣本的權(quán)重;(C)將樣本權(quán)重融入樣本簇相似度計算過程中，計算出各樣本簇的相似度，構(gòu)建一個新的樣本-簇間協(xié)相關(guān)矩陣，再利用基于圖分割方法得到最終的聚類結(jié)果

第三章基于簇間相似度和病人權(quán)重的集成聚類方法14圖3.1LWEC方法的流程圖：(A)隨機(jī)變換縮放性指數(shù)相似度核函數(shù)中的兩個參數(shù)產(chǎn)生多個不相同的樣本簇;(B)依據(jù)共聯(lián)合矩陣中的值來計算出各樣本的權(quán)重;(C)將樣本權(quán)重融入樣本簇相似度計算過程中，計算出各樣本簇的相似度，構(gòu)建一個新的樣....

圖3.2得到基本簇示意圖

安徽大學(xué)碩士學(xué)位論文17圖3.2得到基本簇示意圖對應(yīng)的0/1矩陣（BM）如表3.1所示。表3.1由基本簇構(gòu)建出的0/1矩陣（BM）11C12C13C21C22C1x100102x100013x001104x100015x010016x010103.2.3病人權(quán)重的分配基于WOEC....

本文編號：3942905