基于基因表达谱和miRNA表达谱的癌症分类集成预测方法
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 数据集选取 | 第15页 |
| 1.2.2 特征选择 | 第15-17页 |
| 1.2.3 预测模型构建 | 第17-19页 |
| 1.3 研究内容 | 第19-20页 |
| 1.4 论文结构 | 第20-22页 |
| 第2章 癌症分类预测方法数据集构建 | 第22-31页 |
| 2.1 数据集构建原理 | 第22-25页 |
| 2.1.1 基因-蛋白质理论 | 第22-23页 |
| 2.1.2 非编码RNA调控理论 | 第23-25页 |
| 2.2 数据采集技术 | 第25-27页 |
| 2.2.1 微阵列技术的基本原理 | 第25-26页 |
| 2.2.2 表达谱数据的基本特点 | 第26-27页 |
| 2.3 TCGA数据库 | 第27-28页 |
| 2.3.1 TCGA数据库介绍 | 第27页 |
| 2.3.2 TCGA数据处理 | 第27-28页 |
| 2.4 数据集构造方法 | 第28-29页 |
| 2.4.1 原始数据整理 | 第28-29页 |
| 2.4.2 数据集构造 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 基于混合法的特征选择方法 | 第31-39页 |
| 3.1 特征选择原理 | 第31-32页 |
| 3.1.1 过滤器方法 | 第31页 |
| 3.1.2 包装器方法 | 第31-32页 |
| 3.1.3 嵌入式方法 | 第32页 |
| 3.2 基于混合法的特征选择算法 | 第32-36页 |
| 3.2.1 特征初选 | 第32-35页 |
| 3.2.2 特征精选 | 第35-36页 |
| 3.3 特征选择参数设置 | 第36-37页 |
| 3.3.1 特征选择流程图 | 第37页 |
| 3.3.2 特征初选 | 第37页 |
| 3.3.3 特征精选 | 第37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 多采样多算法预测模型 | 第39-50页 |
| 4.1 癌症分类预测模型 | 第39-47页 |
| 4.1.1 单模型学习算法 | 第39-46页 |
| 4.1.2 集成学习模型 | 第46-47页 |
| 4.1.3 训练集多采样 | 第47页 |
| 4.2 多采样多算法预测模型 | 第47-49页 |
| 4.2.1 多数据集采样方法 | 第48页 |
| 4.2.2 多模型组合方案 | 第48页 |
| 4.2.3 模型优选机制 | 第48-49页 |
| 4.3 预测模型参数设置 | 第49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 实验研究与案例分析 | 第50-65页 |
| 5.1 实验环境 | 第50页 |
| 5.1.1 Python介绍 | 第50页 |
| 5.1.2 实验环境 | 第50页 |
| 5.2 癌症分类实验流程图 | 第50-52页 |
| 5.3 特征选择实验结果 | 第52-59页 |
| 5.3.1 乳腺癌 | 第52-54页 |
| 5.3.2 肺腺癌 | 第54-56页 |
| 5.3.3 肺鳞癌 | 第56-59页 |
| 5.4 算法时间复杂度评估 | 第59页 |
| 5.5 癌症分类预测结果 | 第59-60页 |
| 5.6 案例分析 | 第60-64页 |
| 5.6.1 案例1:数据融合实验 | 第60页 |
| 5.6.2 案例2:致癌基因、miRNA探究 | 第60-62页 |
| 5.6.3 案例3:多采样多算法模型探究 | 第62页 |
| 5.6.4 案例4:各模型分类性能比较 | 第62-64页 |
| 5.7 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 附录A 攻读学位期间所发表的学术论文 | 第70-71页 |
| 致谢 | 第71页 |
