| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.3 主要研究内容 | 第15页 |
| 1.4 本文结构安排 | 第15-17页 |
| 2 微阵列数据及预处理 | 第17-26页 |
| 2.1 微阵列数据 | 第17-18页 |
| 2.2 微阵列数据的特点 | 第18-20页 |
| 2.3 微阵列数据在肿瘤研究中的作用 | 第20-21页 |
| 2.4 预处理 | 第21-24页 |
| 2.4.1 Bioconductor功能包 | 第21-22页 |
| 2.4.2 归一化(Normalization) | 第22-24页 |
| 2.5 本章小结 | 第24-26页 |
| 3 主分成分析及数据筛选 | 第26-32页 |
| 3.1 微阵列数据的统计学筛选方法 | 第26-27页 |
| 3.2 微阵列数据的主成分分析方法 | 第27-29页 |
| 3.2.1 PCA的基本思想 | 第27-28页 |
| 3.2.2 阈值的确定 | 第28-29页 |
| 3.3 数据筛选 | 第29-30页 |
| 3.4 本章小结 | 第30-32页 |
| 4 模块网络及受限玻尔兹曼机学习驱动基因集 | 第32-43页 |
| 4.1 模块网络 | 第32-37页 |
| 4.1.1 贝叶斯网络(Bayesian Network) | 第33-35页 |
| 4.1.2 模块网络及构建方法 | 第35-37页 |
| 4.1.3 P函数 | 第37页 |
| 4.2 受限玻尔兹曼机 | 第37-41页 |
| 4.2.1 生物分子网络的分析方法 | 第38-40页 |
| 4.2.2 受限玻尔兹曼机及训练方法 | 第40-41页 |
| 4.3 本章小结 | 第41-43页 |
| 5 驱动基因预测实验 | 第43-54页 |
| 5.1 实验数据简介 | 第43-44页 |
| 5.2 基于PCA和神经网络的驱动基因预测模型 | 第44-50页 |
| 5.2.1 模型基本流程 | 第44-46页 |
| 5.2.2 数据预处理及筛选 | 第46-49页 |
| 5.2.3 P函数对划分块打分及受限玻尔兹曼机建模 | 第49-50页 |
| 5.3 实验结果分析与验证 | 第50-53页 |
| 5.4 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 今后的工作研究与展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第59-61页 |
| 学位论文数据集 | 第61页 |