由于遺傳因素,環(huán)境因素和疾病的多樣性,癌癥病人會對每種癌癥的治療方案做出不同的反應(yīng)。利用基因信息預測藥物敏感性是個體化醫(yī)療中極為重要的一項任務(wù),已經(jīng)受到包括機器學習,數(shù)據(jù)挖掘和計算生物學等多個領(lǐng)域的關(guān)注。通過預測藥物敏感性,腫瘤學家可以對每個病人的有效的治療方案有一個全方位的了解,這對精準化醫(yī)療是非常有幫助的�，F(xiàn)階段藥物敏感性的預測主要是通過對被不同的藥物處理過后的癌癥細胞系進行分析,然后選擇出一些基因或功能基因組特征,之后對藥物敏感性進行回歸或者分類。然而,由于人類的基因組和分子環(huán)境是非常復雜的,現(xiàn)階段要對病人的治療方案做出一個準確的預測仍然是一個挑戰(zhàn),在本文中,我們提出了一種迭代SIRS的方法,并且把它運用到CCLE的數(shù)據(jù)集中去選擇和藥物敏感性有關(guān)的變量。對CCLE中的每一種藥物,我們考慮了不同的基因信息包括:基因的拷貝數(shù)信息,位點突變信息和基因表達數(shù)據(jù)。在所有的特征變量中,我們根據(jù)變量的邊際度量值只選取了 50個變量去預測藥物敏感性,這種變量選擇的方法僅僅關(guān)注響應(yīng)變量關(guān)于預測變量的條件分布。之后根據(jù)選擇的特征變量,我們建立了一種線性回歸模型,去預測藥物敏感性。這其中有些變量的邊際... 

【文章來源】：上海師范大學上海市

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景
    1.2 論文主要結(jié)構(gòu)
第二章 方法
    2.1 數(shù)據(jù)
    2.2 變量掃描過程
    2.3 通過ISIRS選擇變量
    2.4 交叉驗證和評價準則
    2.5 回歸系數(shù)顯著性的T檢驗
第三章 結(jié)果
    3.1 ISIRS能夠獲得更低的平均標準誤差
    3.2 ISIRS能夠移除選擇變量之間的冗余
    3.3 ISIRS可以找出一些和藥物敏感性相關(guān)性較小的變量
    3.4 ISIRS的預測值和藥物敏感性真實值之間的相關(guān)性更高
第四章 結(jié)論
    4.1 結(jié)論
    4.2 進一步的研究方向
參考文獻
附錄
致謝
附件



本文編號：3200897