| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 基于多组学癌症聚类分析国内外研究现状 | 第11-12页 |
| 1.3 本文主要内容和创新点 | 第12-14页 |
| 1.4 本论文的组织结构 | 第14-15页 |
| 第二章 多组学数据及整合组学数据聚类算法概述 | 第15-19页 |
| 2.1 多组学数据简介 | 第15-16页 |
| 2.2 基于多组学数据聚类方法简介 | 第16-19页 |
| 第三章 基于稀疏低秩回归的方法对iCluster算法的优化 | 第19-28页 |
| 3.1 稀疏低秩回归方法 | 第19-21页 |
| 3.1.1 低秩估计 | 第19-20页 |
| 3.1.2 稀疏处理 | 第20页 |
| 3.1.3 低维度空间的估计 | 第20-21页 |
| 3.2 iCluster算法 | 第21-24页 |
| 3.2.1 PCA的优化算法 | 第22页 |
| 3.2.2 最大期望算法 | 第22-23页 |
| 3.2.3 稀疏套索方法 | 第23-24页 |
| 3.3 优化iCluster方法 | 第24-25页 |
| 3.3.1 评价指标 | 第24-25页 |
| 3.4 实验分析 | 第25-27页 |
| 3.4.1 乳腺癌的亚型分析 | 第25-27页 |
| 3.5 本章小结 | 第27-28页 |
| 第四章 基于稀疏低秩回归的Scluster算法 | 第28-40页 |
| 4.1 SNF算法 | 第28-32页 |
| 4.1.1 数据标准化 | 第29页 |
| 4.1.2 核扩展指数相似的方法 | 第29-30页 |
| 4.1.3 信息传递方法 | 第30-31页 |
| 4.1.4 谱聚类 | 第31-32页 |
| 4.2 Scluster方法 | 第32-33页 |
| 4.3 实验分析 | 第33-39页 |
| 4.3.1 基于GBM数据比较iCluster、SNF和Scluster方法 | 第33页 |
| 4.3.2 基于GBM、LSCC和BIC数据比较SNF和Scluster方法 | 第33-35页 |
| 4.3.3 对GBM聚类结果的分析 | 第35-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第五章 总结与展望 | 第40-42页 |
| 5.1 本文总结 | 第40页 |
| 5.2 未来工作展望 | 第40-42页 |
| 参考文献 | 第42-47页 |
| 致谢 | 第47-48页 |
| 攻读学位期间发表的论文 | 第48页 |
