| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 主要符号对照表 | 第7-8页 |
| 第1章 前言 | 第8-27页 |
| 1.1 选题背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-26页 |
| 1.2.1 三阴乳腺癌现状 | 第9-11页 |
| 1.2.2 三阴乳腺癌生物标志物现状 | 第11-14页 |
| 1.2.3 荟萃分析 | 第14-18页 |
| 1.2.4 机器学习应用于生命科学研究现状 | 第18-26页 |
| 1.3 论文研究方法 | 第26页 |
| 1.4 论文结构 | 第26-27页 |
| 第2章 材料与方法 | 第27-32页 |
| 2.1 实验材料 | 第27-28页 |
| 2.1.1 细胞系 | 第27页 |
| 2.1.2 实验试剂 | 第27页 |
| 2.1.3 实验耗材 | 第27页 |
| 2.1.4 实验仪器 | 第27-28页 |
| 2.2 主要试剂及配制 | 第28页 |
| 2.3 实验方法 | 第28-32页 |
| 2.3.1 常规培养肿瘤细胞 | 第28-29页 |
| 2.3.2 荧光定量PCR | 第29-32页 |
| 第3章 三阴乳腺癌生物标志物的荟萃分析 | 第32-41页 |
| 3.1 文献检索 | 第32-33页 |
| 3.2 三阴乳腺癌生物标志物的荟萃分析 | 第33-39页 |
| 3.2.1 EGFR作为三阴乳腺癌生物标志物 | 第33-35页 |
| 3.2.2 VEGF作为三阴乳腺癌生物标志物 | 第35-36页 |
| 3.2.3 P53作为三阴乳腺癌生物标志物 | 第36-38页 |
| 3.2.4 AR作为三阴乳腺癌生物标志物 | 第38-39页 |
| 3.3 分析结果 | 第39-40页 |
| 3.4 小结 | 第40-41页 |
| 第4章 基于EDGER挖掘三阴乳腺癌新型生物标志物 | 第41-47页 |
| 4.1 基因表达数据库 | 第41页 |
| 4.1.1 TCGA—肿瘤基因组图谱 | 第41页 |
| 4.1.2 GEO | 第41页 |
| 4.2 三阴乳腺癌差异基因及实验验证 | 第41-46页 |
| 4.2.1 样本统计 | 第41-42页 |
| 4.2.2 程序编写及分析 | 第42-44页 |
| 4.2.3 验证性分析 | 第44-46页 |
| 4.3 小结 | 第46-47页 |
| 第5章 机器学习构建三阴乳腺癌预测模型 | 第47-54页 |
| 5.1 样本统计 | 第47页 |
| 5.2 决策树算法预测三阴乳腺癌 | 第47-50页 |
| 5.3 支持向量机特征消除算法预测三阴乳腺癌 | 第50-52页 |
| 5.3.1 支持向量机特征消除算法 | 第50页 |
| 5.3.2 三阴乳腺癌预测模型 | 第50-52页 |
| 5.4 小结 | 第52-54页 |
| 第6章 总结与展望 | 第54-57页 |
| 6.1 论文总结 | 第54-55页 |
| 6.2 论文展望 | 第55-57页 |
| 6.2.1 差异基因分析方法的思考 | 第55-56页 |
| 6.2.2 癌症预测的思考 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 个人简历、在学期间发表的学术论文和研究成果 | 第65页 |