在大數(shù)據(jù)時(shí)代,隨著分子生物學(xué)的發(fā)展,對(duì)于復(fù)雜疾病的研究已經(jīng)發(fā)展至多種組學(xué)時(shí)代。組學(xué)數(shù)據(jù)是一種生物醫(yī)學(xué)大數(shù)據(jù),其具備高維度,小樣本的特點(diǎn)（p>n）,對(duì)傳統(tǒng)的統(tǒng)計(jì)學(xué)方法提出了新的挑戰(zhàn)。復(fù)雜疾病一般被認(rèn)為是外在環(huán)境因素與內(nèi)在遺傳特征交互作用所導(dǎo)致的,而遺傳學(xué)特征根據(jù)中心法則由上而下包括了多種微觀組學(xué)數(shù)據(jù),如基因變異,DNA甲基化,基因表達(dá),miRNA表達(dá),蛋白質(zhì)表達(dá)等各個(gè)層面。全面認(rèn)識(shí)不同組學(xué)層面的信息對(duì)認(rèn)識(shí)疾病的發(fā)生發(fā)展至關(guān)重要。在醫(yī)學(xué)臨床研究中,組學(xué)數(shù)據(jù)與患者的疾病進(jìn)展乃至疾病結(jié)局都有著緊密的聯(lián)系。因此,組學(xué)數(shù)據(jù)亦常常被作為生物學(xué)標(biāo)志物來預(yù)測(cè)患者的結(jié)局優(yōu)劣。然而,僅僅利用單個(gè)變量（位點(diǎn),基因等）來進(jìn)行預(yù)測(cè)往往效果不如整合多個(gè)變量乃至多個(gè)組學(xué)的數(shù)據(jù)。本文針對(duì)腫瘤患者的預(yù)后結(jié)局,圍繞常見組學(xué)數(shù)據(jù),就無監(jiān)督和有監(jiān)督兩部分預(yù)測(cè)模型構(gòu)建方法進(jìn)行研究。每一個(gè)部分又分為模擬實(shí)驗(yàn)和實(shí)例分析。第Ⅰ部分是基于無監(jiān)督類別組學(xué)預(yù)后預(yù)測(cè)模型的算法提出并與常見方法比較。我們提出一種無監(jiān)督類別多組學(xué)整合預(yù)測(cè)模型的算法Random partition fusion based on K-means（RPFKM）,... 

【文章來源】：南京醫(yī)科大學(xué)江蘇省

【文章頁數(shù)】：113 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
縮略詞表
中文摘要
Abstract
前言
第Ⅰ部分 基于無監(jiān)督類別組學(xué)預(yù)后預(yù)測(cè)模型
    1.1 研究目的
    1.2 方法簡(jiǎn)介
    1.3 其他方法簡(jiǎn)介
        1.3.1 K-means
        1.3.2 系統(tǒng)聚類
        1.3.3 基于高斯混合模型的EM算法聚類
        1.3.4 iCluster
        1.3.5 Similarity network fusion(SNF)
    1.4 模擬實(shí)驗(yàn)
        1.4.1 模擬實(shí)驗(yàn)?zāi)康?br>        1.4.2 實(shí)驗(yàn)設(shè)計(jì)
        1.4.3 評(píng)價(jià)指標(biāo)
        1.4.4 參數(shù)設(shè)置和模擬過程
        1.4.5 軟件實(shí)現(xiàn)
        1.4.6 模擬實(shí)驗(yàn)結(jié)果
    1.5 實(shí)例分析
        1.5.1 研究背景
        1.5.2 材料與方法
        1.5.3 研究結(jié)果
    1.6 討論
第Ⅱ部分 基于有監(jiān)督類別組學(xué)預(yù)后預(yù)測(cè)模型
    2.1 研究目的
    2.2 方法簡(jiǎn)介
        2.2.1 單變量篩選(Univariable)
        2.2.2 LASSO、ENET
        2.2.3 確定獨(dú)立篩選SIS
        2.2.4 隨機(jī)森林(random forest)
        2.2.5 CoxBoost
    2.3 模擬實(shí)驗(yàn)
        2.3.1 模擬實(shí)驗(yàn)?zāi)康?br>        2.3.2 實(shí)驗(yàn)設(shè)計(jì)
        2.3.3 評(píng)價(jià)指標(biāo)
        2.3.4 參數(shù)設(shè)置和模擬過程
        2.3.5 軟件實(shí)現(xiàn)
        2.3.6 模擬實(shí)驗(yàn)結(jié)果
    2.4 實(shí)例分析
        2.4.1 研究背景
        2.4.2 材料與方法
        2.4.3 研究結(jié)果
        2.4.4 討論
    2.5 討論
研究總結(jié)
    (1)研究?jī)?nèi)容
    (2)研究創(chuàng)新之處
    (3)研究不足之處
    (4)研究展望
文獻(xiàn)綜述
參考文獻(xiàn)
研究生期間發(fā)表論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]預(yù)防醫(yī)學(xué)發(fā)展的國(guó)家戰(zhàn)略需求及其關(guān)鍵前沿基礎(chǔ)科學(xué)問題[J]. 秦立強(qiáng),顧愛華,余燦清,戴宇飛,張作文.  中華疾病控制雜志. 2018(01)
[2]多組學(xué)聯(lián)合缺失數(shù)據(jù)填補(bǔ)方法的評(píng)價(jià)[J]. 董學(xué)思,林麗娟,趙楊,魏永越,戴俊程,陳峰.  中國(guó)衛(wèi)生統(tǒng)計(jì). 2017(04)
[3]三種塊缺失數(shù)據(jù)處理方法的比較[J]. 林麗娟,董學(xué)思,趙楊,魏永越,戴俊程,陳峰.  中國(guó)衛(wèi)生統(tǒng)計(jì). 2017(03)
[4]疾病預(yù)后研究的中介分析方法評(píng)價(jià)[J]. 施倩雯,魏永越,李清雅,段巍巍,趙楊,陳峰.  中國(guó)衛(wèi)生統(tǒng)計(jì). 2017(03)
[5]基于大數(shù)據(jù)對(duì)宮頸癌缺氧生物標(biāo)志物的分析[J]. 陳謙,仇小強(qiáng).  中華疾病控制雜志. 2017(05)
[6]孟德爾隨機(jī)化法在因果推斷中的應(yīng)用[J]. 王莉娜,Zhang Zuofeng.  中華流行病學(xué)雜志. 2017 (04)
[7]大數(shù)據(jù)思維與傳統(tǒng)統(tǒng)計(jì)思維差異的思考[J]. 陳超,沈思鵬,趙楊,陳峰,魏永越.  南京醫(yī)科大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2016(06)
[8]隨機(jī)森林方法研究綜述[J]. 方匡南,吳見彬,朱建平,謝邦昌.  統(tǒng)計(jì)與信息論壇. 2011(03)
[9]集成學(xué)習(xí):Boosting算法綜述[J]. 于玲,吳鐵軍.  模式識(shí)別與人工智能. 2004(01)

博士論文
[1]懲罰回歸方法的研究及其在后全基因關(guān)聯(lián)研究中的應(yīng)用[D]. 勾建偉.南京醫(yī)科大學(xué) 2014



本文編號(hào)：3450758