| 中文摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题的研究背景及其意义 | 第9-11页 |
| 1.2 课题研究现状 | 第11-13页 |
| 1.3 本文主要工作及结构安排 | 第13-15页 |
| 1.3.1 本文主要工作 | 第13页 |
| 1.3.2 结构安排 | 第13-15页 |
| 第二章 机器学习算法及相关生物知识介绍 | 第15-24页 |
| 2.1 机器学习算法概述 | 第15-16页 |
| 2.2 变量选择问题介绍 | 第16-17页 |
| 2.3 分类问题介绍 | 第17-18页 |
| 2.4 本文相关机器学习算法 | 第18-21页 |
| 2.4.1 SAM算法基本介绍 | 第19页 |
| 2.4.2 PLS算法基本原理介绍 | 第19-20页 |
| 2.4.3 KPLS算法基本介绍 | 第20-21页 |
| 2.5 本文相关生物知识的介绍 | 第21-24页 |
| 第三章 基于GE、ME和CNVs数据建立LUSC肿瘤发展分类模型 | 第24-42页 |
| 3.1 背景 | 第24-26页 |
| 3.2 数据及预处理方法 | 第26-27页 |
| 3.3 癌症进展特征基因识别 | 第27-28页 |
| 3.3.1 相关性筛选方法 | 第27页 |
| 3.3.2 统计显著性筛选 | 第27-28页 |
| 3.3.3 PLS筛选 | 第28页 |
| 3.3.4 基于分类模型的多重迭代综合筛选方法 | 第28页 |
| 3.4 癌症阶段分类模型优化及评价方法 | 第28-30页 |
| 3.5 结果与讨论 | 第30-40页 |
| 3.5.1 GE、ME和CNVs数据特征基因分类结果比较 | 第30-31页 |
| 3.5.2 LUSC肿瘤进展相关特征基因 | 第31-36页 |
| 3.5.3 特征基因的GO和KEGG通路分析 | 第36-38页 |
| 3.5.4 特征基因的IPA分析 | 第38-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 基于基因表达数据从分子水平上预测腺癌肿瘤进展 | 第42-56页 |
| 4.1 背景 | 第42-43页 |
| 4.2 GE数据及其预处理方法 | 第43-44页 |
| 4.3 腺癌肿瘤进展分类模型构建及评价方法 | 第44-46页 |
| 4.4 腺癌肿瘤进展分类模型结果及特征基因分析 | 第46-49页 |
| 4.4.1 不同肿瘤阶段的全基因组基因表达模式 | 第46-47页 |
| 4.4.2 LUAD肿瘤进展模式识别分类结果 | 第47-49页 |
| 4.4.3 其他腺癌肿瘤进展模式识别分类结果 | 第49页 |
| 4.5 讨论 | 第49-53页 |
| 4.5.1 肿瘤进展分类模型两类分类结果分析 | 第50-51页 |
| 4.5.2 其他腺癌肿瘤进展模型的分类结果 | 第51页 |
| 4.5.3 已发表的相关分类结果的文献研究 | 第51页 |
| 4.5.4 肿瘤进展特征基因分析 | 第51-53页 |
| 4.6 结论 | 第53-54页 |
| 4.7 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 发表论文和参加科研情况说明 | 第64-65页 |
| 致谢 | 第65-66页 |
