| 中文摘要 | 第7-9页 |
| 英文摘要 | 第9-11页 |
| (一)前言 | 第12-16页 |
| (二)材料和方法 | 第16-25页 |
| 1.材料 | 第16-18页 |
| 1.1 数据信息介绍 | 第16-17页 |
| 1.2 数据基本特点 | 第17-18页 |
| 1.3 软件使用 | 第18页 |
| 2.方法 | 第18-25页 |
| 2.1 数据下载 | 第18-19页 |
| 2.2 下载数据文件格式转变处理 | 第19页 |
| 2.3 序列信息与参考基因组比对 | 第19-20页 |
| 2.4 获得CpG位点的甲基化信息 | 第20-21页 |
| 2.5 消除相近CpG位点甲基化状态的影响 | 第21页 |
| 2.6 使用统计学方法初步筛选甲基化差异性位点 | 第21-22页 |
| 2.7 特异性位点的分布及进一步筛选 | 第22-23页 |
| 2.8 深度神经网络模型的构建 | 第23页 |
| 2.9 生成模拟数据及模型性能评估 | 第23-24页 |
| 2.10 与现有模型及方法比较 | 第24-25页 |
| (三)结果 | 第25-36页 |
| 1.肿瘤基因组整体甲基化状态展示图 | 第25-26页 |
| 2.去除CpG位点突变影响 | 第26-27页 |
| 3.高斯函数去除相近CpG位点甲基化影响效果图 | 第27-28页 |
| 4.WGBS与Illumina 450K数据相关性较高 | 第28-29页 |
| 5.特征性位点展示图 | 第29-30页 |
| 6.深度神经网络模型最优参数确定 | 第30-31页 |
| 7.DNN模型概念图 | 第31-32页 |
| 8.TTR_DNN与ETP_DNN的模型性能 | 第32-34页 |
| 9.与其他模型准确性相比结果占优 | 第34-36页 |
| (四)讨论 | 第36-38页 |
| (五)结论 | 第38-39页 |
| (六)参考文献 | 第39-42页 |
| 综述 肿瘤DNA甲基化与深度学习 | 第42-49页 |
| 参考文献 | 第46-49页 |
| 攻读学位期间发表论文情况 | 第49-50页 |
| 致谢 | 第50-51页 |