| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.2 课题研究现状 | 第13-15页 |
| 1.3 本论文主要内容及结构安排 | 第15-17页 |
| 1.3.1 主要内容 | 第15页 |
| 1.3.2 结构安排 | 第15-17页 |
| 第二章 机器学习算法及相关知识介绍 | 第17-27页 |
| 2.1 机器学习算法在生物数据中的应用 | 第17-20页 |
| 2.1.1 模式识别简介 | 第18-19页 |
| 2.1.2 变量选择问题 | 第19-20页 |
| 2.2 机器学习算法概述 | 第20-27页 |
| 2.2.1 PLS基本原理的介绍 | 第21-22页 |
| 2.2.2 SPLS基本原理的介绍 | 第22-23页 |
| 2.2.3 SPLS-DA基本原理的介绍 | 第23页 |
| 2.2.4 弹性网络的介绍 | 第23-25页 |
| 2.2.5 Naive Bayesian分类器的介绍 | 第25-27页 |
| 第三章 基于PLS识别NSCLC子类分类特征基因及生存分析 | 第27-43页 |
| 3.1 引言 | 第27-29页 |
| 3.2 数据及预处理方法 | 第29-30页 |
| 3.2.1 数据 | 第29-30页 |
| 3.2.2 预处理方法 | 第30页 |
| 3.3 基于PLS的特征基因识别模型 | 第30-31页 |
| 3.4 Cox模型的介绍 | 第31-32页 |
| 3.5 模式识别模型评价方法 | 第32页 |
| 3.6 结果与讨论 | 第32-39页 |
| 3.6.1 基于GE数据和ME数据的特征基因 | 第32-34页 |
| 3.6.2 GE分类模型和ME分类模型比较 | 第34-35页 |
| 3.6.3 与已有NSCLC子类分类结果的比较 | 第35页 |
| 3.6.4 基于GE特征基因的病人生存分析 | 第35-37页 |
| 3.6.5 基于ME特征基因的病人生存分析 | 第37-39页 |
| 3.7 IPA分析及功能基因注释 | 第39-41页 |
| 3.7.1 特征基因的IPV分析 | 第39页 |
| 3.7.2 基因功能注释 | 第39-41页 |
| 3.8 本章小结 | 第41-43页 |
| 第四章 利用CNV数据建立模型识别NSCLC子类分类特征基因 | 第43-59页 |
| 4.1 引言 | 第43-44页 |
| 4.2 CNV数据与处理方法 | 第44-45页 |
| 4.2.1 CNV数据 | 第44-45页 |
| 4.2.2 预处理方法 | 第45页 |
| 4.3 模式识别模型及模型评价方法 | 第45-47页 |
| 4.3.1 识别特征基因 | 第45-46页 |
| 4.3.2 模式识别模型 | 第46-47页 |
| 4.3.3 模型评价方法 | 第47页 |
| 4.4 结果 | 第47-51页 |
| 4.4.1 特征基因及特征基因的特征统计 | 第47-50页 |
| 4.4.2 特征基因区分NSCLC样本与正常样本 | 第50-51页 |
| 4.5 讨论 | 第51-58页 |
| 4.5.1 与已发表区分ADC与SCC结果比较 | 第51页 |
| 4.5.2 已知重要致癌基因和具有统计生物意义基因 | 第51-57页 |
| 4.5.3 合并三个基因集对NSCLC子类分类 | 第57-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 基于ESDA模型识别snoRNAs | 第59-72页 |
| 5.1 引言 | 第59-61页 |
| 5.2 数据集与特征提取方法 | 第61-64页 |
| 5.2.1 数据集 | 第61-62页 |
| 5.2.2 特征提取方法 | 第62-64页 |
| 5.3 构建ESDA模型 | 第64-65页 |
| 5.4 ESDA模型评价方法 | 第65页 |
| 5.5 结果 | 第65-71页 |
| 5.5.1 与SnoReport模型比较 | 第65-66页 |
| 5.5.2 与其他常用分类器比较 | 第66-69页 |
| 5.5.3 验证ESDA | 第69-70页 |
| 5.5.4 重要特征分析 | 第70-71页 |
| 5.6 讨论 | 第71页 |
| 5.7 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72页 |
| 6.2 展望 | 第72-74页 |
| 参考文献 | 第74-81页 |
| 发表论文和参加科研情况说明 | 第81-82页 |
| 致谢 | 第82-83页 |
