在癌癥基因組學(xué)研究中,臨床所得的腫瘤組織是由癌癥和正常細胞組成的混合物,腫瘤不純會對后續(xù)的數(shù)據(jù)分析產(chǎn)生嚴重影響�；贒NA甲基化的芯片數(shù)據(jù),構(gòu)造了一種簡單的腫瘤純度估計方法 GmmPurify。首先借助公共正常樣本,利用高斯混合模型定義了一個重要的統(tǒng)計量"信息貢獻值";然后篩選出具有高信息貢獻值的DNA甲基化位點,構(gòu)成差異甲基化位點集合;最后利用核密度方法估計腫瘤的純度。將GmmPurify方法應(yīng)用于9類腫瘤,得到的純度估值與兩類先進方法的結(jié)果高度一致。研究結(jié)果表明,在與腫瘤樣本相匹配的正常樣本缺失的情況下,借助公共正常樣本,GmmPurify可以給出令人滿意的腫瘤純度估計。 

【文章頁數(shù)】：5 頁

【文章目錄】：
1 數(shù)據(jù)及其處理
2 GmmPurify方法
    2.1 高斯混合模型及應(yīng)用
    2.2 差異甲基化位點篩選
    2.3 腫瘤純度估計
3 結(jié)果及分析
4 結(jié)論


【參考文獻】：
期刊論文
[1]基于高斯混合模型的EM算法改進與優(yōu)化[J]. 王凱南,金立左.  工業(yè)控制計算機. 2017(05)
[2]Multimodality Prediction of Chaotic Time Series with Sparse Hard-Cut EM Learning of the Gaussian Process Mixture Model[J]. 周亞同,樊煜,陳子一,孫建成.  Chinese Physics Letters. 2017(05)



本文編號：3713519