| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 研究工作和主要内容 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第2章 相关技术概述 | 第18-32页 |
| 2.1 数据分析工具 | 第18-19页 |
| 2.1.1 R语言 | 第18页 |
| 2.1.2 Weka | 第18-19页 |
| 2.2 有监督学习 | 第19-24页 |
| 2.2.1 朴素贝叶斯 | 第20-21页 |
| 2.2.2 支持向量机 | 第21-23页 |
| 2.2.3 随机森林 | 第23-24页 |
| 2.3 无监督学习 | 第24-28页 |
| 2.3.1 非负矩阵分解 | 第24-26页 |
| 2.3.2 层次聚类 | 第26-27页 |
| 2.3.3 谱聚类 | 第27-28页 |
| 2.4 生物医学数据可视化技术 | 第28-31页 |
| 2.4.1 基因组坐标图 | 第29-30页 |
| 2.4.2 热图 | 第30-31页 |
| 2.4.3 网络图 | 第31页 |
| 2.5 小结 | 第31-32页 |
| 第3章 乳腺癌组学数据挖掘与临床特征分类研究 | 第32-48页 |
| 3.1 引言 | 第32页 |
| 3.2 数据来源 | 第32-34页 |
| 3.2.1 TCGA数据库 | 第32-33页 |
| 3.2.2 其他数据来源 | 第33-34页 |
| 3.3 数据获取 | 第34-36页 |
| 3.3.1 乳腺癌样本临床数据的获取 | 第34页 |
| 3.3.2 基因组突变数据的获取 | 第34-35页 |
| 3.3.3 其他组学数据的获取 | 第35-36页 |
| 3.4 数据预处理 | 第36-38页 |
| 3.4.1 基因突变数据的预处理 | 第36-37页 |
| 3.4.2 其他组学数据的预处理 | 第37-38页 |
| 3.5 基于基因组突变数据对肿瘤病人进行临床分类的研究 | 第38-46页 |
| 3.5.1 肿瘤患者中的高频突变基因分析 | 第38-41页 |
| 3.5.2 特征选择理论知识 | 第41-42页 |
| 3.5.3 数据分析流程 | 第42-43页 |
| 3.5.4 特征选择实现 | 第43页 |
| 3.5.5 基于非负矩阵分解的肿瘤患者分类 | 第43-44页 |
| 3.5.6 模型评估 | 第44-45页 |
| 3.5.7 实验结果与分析 | 第45-46页 |
| 3.6 小结 | 第46-48页 |
| 第4章 乳腺癌基因组数据可视化平台 | 第48-68页 |
| 4.1 平台的设计 | 第48-53页 |
| 4.1.1 架构设计 | 第48-49页 |
| 4.1.2 技术设计 | 第49-50页 |
| 4.1.3 功能设计 | 第50-51页 |
| 4.1.4 数据库ER图设计 | 第51-52页 |
| 4.1.5 数据库表设计 | 第52-53页 |
| 4.2 平台的实现 | 第53-59页 |
| 4.2.1 开发环境与框架配置 | 第53-56页 |
| 4.2.2 数据可视化模块实现 | 第56-59页 |
| 4.3 平台软件的系统功能展示及意义 | 第59-67页 |
| 4.3.1 转录组差异分析 | 第60-61页 |
| 4.3.2 转录组生存分析 | 第61-62页 |
| 4.3.3 转录组共表达分析 | 第62页 |
| 4.3.4 CNV差异分析 | 第62-63页 |
| 4.3.5 CNV生存分析 | 第63-64页 |
| 4.3.6 MicroRNAs分析 | 第64-65页 |
| 4.3.7 KEGG Pathway分析 | 第65-66页 |
| 4.3.8 基因功能网络分析 | 第66-67页 |
| 4.4 小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 附录A 攻读学位期间取得的研究成果 | 第75页 |