發(fā)布時間：2017-08-17 20:36

  本文關(guān)鍵詞：某些腫瘤蛋白組質(zhì)譜數(shù)據(jù)的分析模型及其應(yīng)用

  更多相關(guān)文章： 蛋白質(zhì)組 SELDI-TOF MS PseAAC 特征選擇與提取 支持向量機

【摘要】：近年來，腫瘤已經(jīng)嚴重威脅人類健康。尋找腫瘤的潛在生物標記對惡性腫瘤的早期診斷和治療起到非常重要的作用�；谫|(zhì)譜技術(shù)的蛋白質(zhì)組學數(shù)據(jù)分析能為腫瘤的早期診斷提供有力手段。從海量的腫瘤質(zhì)譜數(shù)據(jù)中挖掘具有樣本差異的標志物或者可以體現(xiàn)樣本差異的特征，對惡性腫瘤標記物的識別具有重要的價值。本文在對腫瘤質(zhì)譜的數(shù)據(jù)分析中，提出了一種從SELDI血清蛋白質(zhì)中提取樣本特征的方法。此方法具有較高的準確率、敏感性與特異性。具體工作如下： (1)從蛋白組學質(zhì)譜原始數(shù)據(jù)中，采用重采樣、基線校正、標準化、平滑、峰識別與提取、峰值對比等手段，提取到了具有較高可靠性的質(zhì)譜峰值。 (2)提出了兩種圖形表示的方法，一種是將峰值轉(zhuǎn)化為氨基酸序列，另外一種是將峰值轉(zhuǎn)化為0-1序列。通過序列對比來提取代表樣本差異的特征，并將特征看成腫瘤樣本的標志物。 (3)根據(jù)樣本特征，構(gòu)建了樣本二分類模型。本文將支持向量機運用到腫瘤標志物的分類器實現(xiàn)上，并對模型參數(shù)進行優(yōu)化。與其他方法結(jié)果的比較，說明此方法具有較高的預(yù)測準確率。 (4)將上述預(yù)處理方法與模型應(yīng)用到另一組三分類的卵巢癌質(zhì)譜數(shù)據(jù)集上，將原來的二分類推廣到多分類，得到了較好的結(jié)果。 本文的分析結(jié)果表明，，我們的方法具有很好的預(yù)測結(jié)果，并且適用于所有的質(zhì)譜數(shù)據(jù)分析。
【關(guān)鍵詞】：蛋白質(zhì)組 SELDI-TOF MS PseAAC 特征選擇與提取 支持向量機
【學位授予單位】：浙江理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R730.4
【目錄】：

• 摘要4-5
• Abstract5-6
• 目錄6-8
• 第一章 緒論8-12
• 1.1 本文的研究背景8-9
• 1.2 目前國內(nèi)外的研究現(xiàn)狀9-10
• 1.2.1 蛋白組質(zhì)譜技術(shù)研究現(xiàn)狀9
• 1.2.2 蛋白組質(zhì)譜數(shù)據(jù)處理方法研究現(xiàn)狀9-10
• 1.3 本文的主要研究工作10-12
• 第二章 蛋白質(zhì)組學質(zhì)譜數(shù)據(jù)的預(yù)處理12-23
• 2.1 蛋白質(zhì)組學質(zhì)譜數(shù)據(jù)12-14
• 2.1.1 質(zhì)譜原始數(shù)據(jù)的介紹12-13
• 2.1.2 實驗數(shù)據(jù)集13-14
• 2.2 蛋白質(zhì)組學質(zhì)譜數(shù)據(jù)的預(yù)處理技術(shù)14-18
• 2.2.1 質(zhì)譜數(shù)據(jù)重采樣15
• 2.2.2 質(zhì)譜數(shù)據(jù)基線校正15-16
• 2.2.3 質(zhì)譜數(shù)據(jù)的標準化16-17
• 2.2.4 質(zhì)譜的譜線平滑17
• 2.2.5 峰值識別與提取17
• 2.2.6 譜圖的峰值對比17-18
• 2.3 實驗數(shù)據(jù)集的預(yù)處理18-22
• 2.4 本章小結(jié)22-23
• 第三章 蛋白質(zhì)組質(zhì)譜區(qū)間數(shù)據(jù)特征提取與選擇23-32
• 3.1 蛋白質(zhì)組質(zhì)譜數(shù)據(jù)分析中的特征提取23-24
• 3.1.1 特征形成的概念23
• 3.1.2 特征提取的過程23-24
• 3.1.3 特征選擇的判斷標準及常用方法24
• 3.2 一種新的序列特征提取方法—PseAAC 方法24-25
• 3.3 PseAAC 方法在禽流感病毒 RNA 聚合酶上的應(yīng)用25-31
• 3.3.1 禽流感病毒 RNA 聚合酶的簡介25-26
• 3.3.2 RNA 聚合酶在轉(zhuǎn)錄過程中的作用機制26-31
• 3.4 本章小結(jié)31-32
• 第四章 惡性腫瘤質(zhì)譜數(shù)據(jù)二分類模型構(gòu)建及應(yīng)用32-43
• 4.1 兩種新的圖形表示及數(shù)值刻畫方法32-34
• 4.1.1 峰值轉(zhuǎn)化為氨基酸序列32-33
• 4.1.2 峰值轉(zhuǎn)化為 0-1 序列33-34
• 4.2 機器學習算法34-36
• 4.2.1 支持向量機34-35
• 4.2.2 分類性能評價35-36
• 4.3 模型構(gòu)建與實驗分析36-41
• 4.3.1 模型建立36-37
• 4.3.2 不同的歸一化方法對模型性能的影響37
• 4.3.3 核函數(shù)對模型性能的影響37-38
• 4.3.4 模型的參數(shù)優(yōu)化38-39
• 4.3.5 0-1 序列39-41
• 4.4 本章小結(jié)41-43
• 第五章 二分類模型的推廣及其應(yīng)用43-47
• 5.1 二分類情況43-45
• 5.2 多分類情況45-46
• 5.3 本章小結(jié)46-47
• 第六章 論文的總結(jié)和展望47-49
• 6.1 本文的主要工作小結(jié)47-48
• 6.2 將來工作的展望48-49
• 參考文獻49-56
• 攻讀碩士學位期間的研究成果56-57
• 致謝5

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 Kamel M A Hassanin;Ahmed S Abdel-Moneim;;Evolution of an avian H5N1 influenza A virus escape mutant[J];World Journal of Virology;2013年04期

2 董志偉,喬友林,李連弟,陳育德,王潤田,雷通海,饒克勤,王汝寬,趙平,游偉程,魯鳳珠,戴旭東,王國清,羅賢懋,周海城;中國癌癥控制策略研究報告[J];中國腫瘤;2002年05期

3 孟輝;洪文學;;蛋白質(zhì)組學質(zhì)譜數(shù)據(jù)預(yù)處理技術(shù)綜述[J];中國生物醫(yī)學工程學報;2009年03期

4 盧士英;鄒明強;;食品中常見的非食用色素的危害與檢測[J];中國儀器儀表;2009年08期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 孟輝;基于圖表達蛋白質(zhì)組學質(zhì)譜模式的癌癥診斷可視化方法研究[D];燕山大學;2011年

本文編號：691003