腫瘤基因芯片數(shù)據(jù)聚類分析算法研究.pdf_第1頁
已閱讀1頁,還剩47頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、生物信息的爆炸式增長吸引了大量科研人員加入到生物信息學(xué)研究領(lǐng)域中來,使得生物信息學(xué)很快成為全球關(guān)注與研究的焦點?;诨虮磉_譜的腫瘤檢測方法有望成為臨床醫(yī)學(xué)上一種快速而有效的腫瘤分子診斷方法,但由于基因表達譜數(shù)據(jù)存在維數(shù)過高、樣本量很小以及噪音非常大等特點,使得選擇與腫瘤有關(guān)的信息基因或從基因表達譜中抽取腫瘤特征信息成為一項有挑戰(zhàn)性的工作。正因如此,國內(nèi)外專家學(xué)者對這個分類問題進行了廣泛而深入的研究,發(fā)表了大量的研究論文。 從基

2、因表達譜的成千上萬個基因中選擇分類能力盡可能強而數(shù)量又盡可能少的信息基因子集極巨復(fù)雜性,通常情況下,在如此大的基因空間中進行窮盡搜索是不可能的事情。因而,合適的聚類方法與分類器的選擇是至關(guān)重要的。 本論文中,我們在總結(jié)腫瘤聚類與分類研究成果的基礎(chǔ)上,提出了新的腫瘤信息基因選擇方法和基于基因表達譜的腫瘤聚類與分類模型,然后詳細闡述了模型的關(guān)鍵環(huán)節(jié)及所采用的方法,最后對聚類與分類正確率與用傳統(tǒng)方法的結(jié)果做了比較。 本文主要作

3、了以下研究工作:第一,對選擇的信息基因數(shù)據(jù)集進行腫瘤的聚類分析。我們提出了利用獨立分量分析算法(Independent Component Analysis:ICA)進行信息基因的選擇,然后將非負矩陣分解(Non-negative Matrix Factorization:NMF)及其擴展算法-稀疏非負矩陣分解(Sparse NMF:SNMF)和具有稀疏約束的非負矩陣分解(NMF withSparseness Constraint:NM

4、FSC)用于聚類分析。實驗采用了三種腫瘤樣本集驗證了我們所用方法的可行性和有效性。第二,在用ICA提取特征基因的基礎(chǔ)上,進一步利用順序浮動前向選擇算法(Sequential Floating Forward Selection:SFFS)來選擇最具判別力的特征基因,然后將支持向量機(Support Vector Machine:SVM)作為分類器進行腫瘤分類研究。我們也將這種方法用在三種腫瘤樣本集上,通過與利用其它方法的結(jié)果對比,表明了

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論