声明
第一章 绪论
1.1 本文的研究目的和意义
1.2 国内外研究现状
1.3 研究内容和主要工作
1.4 本文组织结构
第二章 数据来源和相关方法介绍
2.1 多组学数据
2.2 本文的数据来源
2.2.1 The Cancer Genome Atlas
2.2.2 Gene Expression Omnibus
2.2.3 NCBI Reference Sequence Database
2.3 特征选择方法
2.4 分类模型评估方法
2.4.1 性能评估指标
2.4.2 性能评估方法
2.5 本章小结
第三章 乳腺癌组织学分化度生物标志物识别算法BioDog
3.1 研究背景
3.2 实验数据预处理
3.3 研究方法
3.3.1 SVM-RFE+CBR 算法
3.3.2 BioDog 算法
3.3.3 用于对比的特征选择方法
3.3.4 性能评价方法
3.4 研究结果和讨论
3.4.1 组织学类型和分化度的关联性
3.4.2 验证 CBR 策略的有效性
3.4.3 TG 参数的设置
3.4.4 SVM-RFE+CBR 调节参数
3.4.5 后向特征选择的结果
3.4.6 BioDog 所选特征的生物功能分析
3.4.7 特征选择方法性能对比结果
3.4.8 基因突变分析
3.5 本章小结
第四章 乳腺癌分子分型多组学整合分析算法ELMO
4.1 研究背景
4.2 实验数据预处理
4.3 研究方法
4.3.1 多组学数据整合分析方法
4.3.2 ELMO 算法
4.3.3 用于对比的特征选择方法
4.3.4 性能评价方法
4.4 研究结果和讨论
4.4.1 递增特征选择的结果
4.4.2 后向特征选择的结果
4.4.3 ELMO 所选特征的生物功能分析
4.4.4 特征选择方法性能对比结果
4.4.5 生存分析结果
4.5 本章小结
第五章 罕见变异关联性分析算法ZfaParallel
5.1 研究背景
5.2 实验数据预处理
5.3 研究方法
5.3.1 罕见变异关联性分析方法
5.3.2 ZFA 算法
5.3.3 共享内存并行化 ZFA 算法 ZfaParallel
5.3.4 改进方法
5.4 研究结果和讨论
5.4.1 计算时间对比实验
5.4.2 案例分析
5.5 本章小结
第六章 DNase Ⅰ超敏感位点预测算法SeqRefine
6.1 研究背景
6.2 实验数据预处理
6.3 研究方法
6.3.1人类基因组DHS预测模型
6.3.2特征提取方法
6.3.3特征选择方法
6.3.4机器学习分类方法
6.3.5 预测模型性能评估方法
6.3.6 SeqRefine 算法
6.4 研究结果和讨论
6.4.1 SeqRefine 算法参数优化
6.4.2 特征分析
6.4.3 DHS 预测模型性能对比
6.4.4 SeqRefine 本地可视化软件
6.5 本章小结
第七章 总结与展望
7.1 研究总结
7.2 研究展望
参考文献
作者简介及在学期间所取得的科研成果
致谢
吉林大学;
