2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩47頁未讀, 繼續(xù)免費(fèi)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(jìn)行舉報(bào)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(diǎn)?;诨虮磉_(dá)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(dá)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(diǎn),使得選擇與腫瘤有關(guān)的信息基因或從基因表達(dá)譜中抽取腫瘤特征信息成為一項(xiàng)有挑戰(zhàn)性的工作。正因如此,國內(nèi)外專家學(xué)者對這個(gè)分類問題進(jìn)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(dá)譜的成千上萬個(gè)基因中選擇分類能力盡可能強(qiáng)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(jìn)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(dá)譜的腫瘤聚類與分類模型,然后詳細(xì)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(jìn)行腫瘤的聚類分析。我們提出了利用獨(dú)立分量分析算法(Independent Component Analysis:ICA)進(jìn)行信息基因的選擇,然后將非負(fù)矩陣分解(Non-negative Matrix Factorization:NMF)及其擴(kuò)展算法-稀疏非負(fù)矩陣分解(Sparse NMF:SNMF)和具有稀疏約束的非負(fù)矩陣分解(NMF withSparseness Constraint:NM

4、FSC)用于聚類分析。實(shí)驗(yàn)采用了三種腫瘤樣本集驗(yàn)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(jìn)一步利用順序浮動(dòng)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(jī)(Support Vector Machine:SVM)作為分類器進(jìn)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(huì)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(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)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(fù)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(shí)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(píng)論

0/150

提交評(píng)論