在癌癥基因組學(xué)研究中,臨床所得的腫瘤組織是由癌癥和正常細(xì)胞組成的混合物,腫瘤不純會(huì)對(duì)后續(xù)的數(shù)據(jù)分析產(chǎn)生嚴(yán)重影響�；贒NA甲基化的芯片數(shù)據(jù),構(gòu)造了一種簡(jiǎn)單的腫瘤純度估計(jì)方法 GmmPurify。首先借助公共正常樣本,利用高斯混合模型定義了一個(gè)重要的統(tǒng)計(jì)量"信息貢獻(xiàn)值";然后篩選出具有高信息貢獻(xiàn)值的DNA甲基化位點(diǎn),構(gòu)成差異甲基化位點(diǎn)集合;最后利用核密度方法估計(jì)腫瘤的純度。將GmmPurify方法應(yīng)用于9類腫瘤,得到的純度估值與兩類先進(jìn)方法的結(jié)果高度一致。研究結(jié)果表明,在與腫瘤樣本相匹配的正常樣本缺失的情況下,借助公共正常樣本,GmmPurify可以給出令人滿意的腫瘤純度估計(jì)。 

【文章頁(yè)數(shù)】：5 頁(yè)

【文章目錄】：
1 數(shù)據(jù)及其處理
2 GmmPurify方法
    2.1 高斯混合模型及應(yīng)用
    2.2 差異甲基化位點(diǎn)篩選
    2.3 腫瘤純度估計(jì)
3 結(jié)果及分析
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于高斯混合模型的EM算法改進(jìn)與優(yōu)化[J]. 王凱南,金立左.  工業(yè)控制計(jì)算機(jī). 2017(05)
[2]Multimodality Prediction of Chaotic Time Series with Sparse Hard-Cut EM Learning of the Gaussian Process Mixture Model[J]. 周亞同,樊煜,陳子一,孫建成.  Chinese Physics Letters. 2017(05)



本文編號(hào)：3713519