大規(guī)模的基因表達分析已經(jīng)被廣泛用于表征在各種疾病條件、遺傳擾動等條件下的細胞狀態(tài)。隨著科技的發(fā)展,雖然全基因組表達值的成本已經(jīng)逐步下降,但是要生成一個成千上萬的樣本的基因表達值仍然是非常昂貴的。認識到基因表達通常是高度相關(guān)的,美國國立衛(wèi)生研究院LINCS項目的研究人員開發(fā)了一種經(jīng)濟有效的方案,他們挑選出了大約1000個左右的landmark基因,并證實這些挑選的基因能捕捉到80%左右的信息。那么就可以利用這些較少的基因,使用一些機器學習的知識,在較短的時間內(nèi)以較高的準確度進行模擬全基因組的基因表達值分析。機器學習的方法有較多,常見的如線性回歸、決策樹、神經(jīng)網(wǎng)絡、支持向量機以及一些聚類方法等。其中,LINCS項目組使用了基于線性回歸的方法;Yifei Chen,Yi Li等人使用了深度學習的方法。但是上面兩種方法仍然存在一定的缺陷,線性回歸不能捕捉到基因表達間復雜的非線性的關(guān)系,所以準確度不高;而深度學習的方法雖然在準確度上比線性回歸好,但是過于復雜,花費的時間較長。綜合線性回歸和深度學習這兩種算法各自的優(yōu)缺點,本文提出一種基于卷積神經(jīng)網(wǎng)絡的深度學習的基因表達預測方法。通過自組織特征映射神經(jīng)網(wǎng)絡SOM將原始數(shù)據(jù)集轉(zhuǎn)換成區(qū)域內(nèi)相似的二維數(shù)據(jù),然后將轉(zhuǎn)換的數(shù)據(jù)利用卷積神經(jīng)網(wǎng)絡的方法做訓練。由于數(shù)據(jù)集數(shù)據(jù)量大而且網(wǎng)絡結(jié)構(gòu)復雜,不使用GPU加速會嚴重影響訓練速度,因此需要通過GPU加速深度學習速度,最后驗證結(jié)果。為驗證基于卷積神經(jīng)網(wǎng)絡的基因表達預測算法的可行性與預測準確度,本文分別使用了GEO、GTEx、1000G三種數(shù)據(jù)集進行實驗,并與以上兩種算法做對比分析。
【學位單位】：吉林大學
【學位級別】：碩士
【學位年份】：2017
【中圖分類】：TP18
【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景和意義
    1.2 領(lǐng)域研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結(jié)構(gòu)
第2章 研究背景介紹
    2.1 生物背景介紹
    2.2 相關(guān)算法及結(jié)果評估介紹
        2.2.1 線性回歸
        2.2.2 嶺回歸
        2.2.3 Lasso回歸
        2.2.4 反向傳導算法
        2.2.5 自組織特征映射神經(jīng)網(wǎng)絡SOM
        2.2.6 實驗結(jié)果評價標準
    2.3 深度學習及其配置環(huán)境介紹
        2.3.1 深度學習的背景及發(fā)展過程
        2.3.2 神經(jīng)元模型
        2.3.3 神經(jīng)網(wǎng)絡的分類
        2.3.4 卷積神經(jīng)網(wǎng)絡
        2.3.5 CUDA及GPU加速介紹
    2.4 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡的深度學習的基因表達預測方法
    3.1 數(shù)據(jù)來源
    3.2 基于深度學習的基因表達預測方法介紹
        3.2.1 算法理論
        3.2.2 算法流程
    3.3 基于卷積神經(jīng)網(wǎng)絡的深度學習的基因表達預測方法及流程介紹
        3.3.1 算法思考背景及思想
        3.3.2 算法架構(gòu)
        3.3.3 算法流程
        3.3.4 程序偽代碼
    3.4 本章小結(jié)
第4章 實驗結(jié)果及分析
    4.1 GEO數(shù)據(jù)集上的結(jié)果與分析
    4.2 GTEX數(shù)據(jù)集上的結(jié)果與分析
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
作者簡介及在學期間取得的科研成果
致謝

【相似文獻】

相關(guān)期刊論文 前6條

1 蔡瑞初;王美華;郝志峰;溫雯;;基于最大間隔的基因表達規(guī)則篩選[J];計算機工程與應用;2011年26期

2 索文莉;李長國;;高維基因表達數(shù)據(jù)集分類規(guī)則組的確定[J];天津理工大學學報;2013年06期

3 羅萬春;易東;;胎兒小腦基因表達多尺度降噪的y～n曲線模型[J];計算機工程與應用;2011年07期

4 李傳星,李霞,郭政,宮濱生,屠康;調(diào)控通路內(nèi)基因表達的相關(guān)性分析[J];遺傳;2004年06期

5 梁文快;李毅;;改進的基因表達算法對航班優(yōu)化排序問題研究[J];計算機技術(shù)與發(fā)展;2014年07期

6 劉嶺;程迪祥;陳洪;陳品一;易東;;診斷性基因表達譜模式可信區(qū)間圖示法[J];激光雜志;2011年06期

相關(guān)博士學位論文 前10條

1 李利;綿羊胚胎發(fā)育后期骨骼肌中轉(zhuǎn)錄組水平基因表達分析及基因網(wǎng)絡的構(gòu)建[D];中國農(nóng)業(yè)科學院;2012年

2 Samuel Jerry Cobbina;[D];江蘇大學;2015年

3 周寧;鋅對水貂毛色基因表達及生產(chǎn)性能的影響[D];延邊大學;2015年

4 章琳;基于基因表達秩序關(guān)系識別癌癥預后與早期診斷標志[D];電子科技大學;2014年

5 丁艷芬;玉米ZmCPK11在ABA誘導的抗氧化防護中的功能分析[D];南京農(nóng)業(yè)大學;2012年

6 姜海燕;腸道菌對旋毛蟲存活、繁殖及蛋白表達變化影響的研究[D];吉林大學;2016年

7 蘇文霞;人類胚胎干細胞中表觀遺傳修飾與基因表達的相關(guān)研究[D];內(nèi)蒙古大學;2016年

8 張云霞;FHL3與MyoD和pCREB蛋白相互作用差異調(diào)控MyHC各亞型基因表達的分子機制[D];華中農(nóng)業(yè)大學;2015年

9 郭緒濤;聯(lián)合檢測初治急性髓系白血病患者MDR1、BAALC基因表達及MDR1基因在誘導化療中的價值[D];南方醫(yī)科大學;2016年

10 劉艷霞;CREG抑制高糖高脂誘導人臍靜脈內(nèi)皮細胞凋亡的機制研究[D];第三軍醫(yī)大學;2016年

相關(guān)碩士學位論文 前10條

1 蔡佳;新型凝膠多糖納米粒子的制備及體外遞送siRNA研究[D];內(nèi)蒙古大學;2015年

2 劉翔宇;不同電場條件處理檸條種子對干旱條件下幼葉基因表達的影響[D];內(nèi)蒙古大學;2015年

3 蘇運聰;基于MIAME的基因表達數(shù)據(jù)融合方法設(shè)計及應用實踐[D];浙江大學;2015年

4 張寶修;活性氧對鼠早期胚胎抗氧化酶基因表達的影響[D];延邊大學;2015年

5 周瑜;Egr-1對APP基因表達的調(diào)控作用[D];寧夏醫(yī)科大學;2015年

6 李珊;衰老相關(guān)的外周全血基因表達與DNA甲基化標志物的可重復性[D];電子科技大學;2014年

7 王利華;預照射聯(lián)合siRNA抑制小鼠肺癌survivin基因表達的研究[D];青島大學;2015年

8 董柏余;采后ASM處理調(diào)控厚皮甜瓜果實活性氧代謝及抗性相關(guān)酶的分子和生化機理[D];甘肅農(nóng)業(yè)大學;2015年

9 伍丹;恢復SFRP1基因表達對MGC803細胞增殖遷移的影響[D];南華大學;2015年

10 夏雙雙;二甲酸鉀對斷奶仔豬胃功能及相關(guān)功能基因表達的影響[D];南京農(nóng)業(yè)大學;2014年

本文編號：2872293