CDCA5高表达已被发现在多种肿瘤中具有致癌作用.运用生物信息学方法探讨CDCA5在泛癌中的表达特征,通过TCGA和GTEX数据库获得CDCA5在肿瘤样本和癌旁样本中的表达情况,从基因表达、生存分析、基因变异和免疫浸润等方面探讨了CDCA5在不同...CDCA5高表达已被发现在多种肿瘤中具有致癌作用.运用生物信息学方法探讨CDCA5在泛癌中的表达特征,通过TCGA和GTEX数据库获得CDCA5在肿瘤样本和癌旁样本中的表达情况,从基因表达、生存分析、基因变异和免疫浸润等方面探讨了CDCA5在不同肿瘤发病机制中的作用;通过GSCA(Gene Set Cancer Analysis)分析CDCA5表达与药物IC_(50)(半数抑制浓度)的关系并用免疫组化验证了该基因;通过STRING和GEPIA2数据库获取与CDCA5相关的基因并进行KEGG(Kyoto Encyclopedia of Genes and Genomes)富集分析.结果表明:CDCA5在大多数肿瘤中高表达,且与部分肿瘤患者的预后存在明显的相关性.CDCA5表达与肿瘤浸润免疫细胞(TIICs)显著相关并且TIICs标记物表现出不同的免疫浸润模式.拷贝数变异(CNV)与CDCA5的表达呈正相关,甲基化与CDCA5的表达呈负相关.IC_(50)数据显示多种药物可显著抑制CDCA5的表达.免疫组化实验证实了CDCA5在肝恶性肿瘤和结肠恶性肿瘤中具有促癌作用,可作为肿瘤治疗的生物标志物,为肿瘤治疗提供了一种新的研究方向.展开更多
针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。I...针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。展开更多
文摘CDCA5高表达已被发现在多种肿瘤中具有致癌作用.运用生物信息学方法探讨CDCA5在泛癌中的表达特征,通过TCGA和GTEX数据库获得CDCA5在肿瘤样本和癌旁样本中的表达情况,从基因表达、生存分析、基因变异和免疫浸润等方面探讨了CDCA5在不同肿瘤发病机制中的作用;通过GSCA(Gene Set Cancer Analysis)分析CDCA5表达与药物IC_(50)(半数抑制浓度)的关系并用免疫组化验证了该基因;通过STRING和GEPIA2数据库获取与CDCA5相关的基因并进行KEGG(Kyoto Encyclopedia of Genes and Genomes)富集分析.结果表明:CDCA5在大多数肿瘤中高表达,且与部分肿瘤患者的预后存在明显的相关性.CDCA5表达与肿瘤浸润免疫细胞(TIICs)显著相关并且TIICs标记物表现出不同的免疫浸润模式.拷贝数变异(CNV)与CDCA5的表达呈正相关,甲基化与CDCA5的表达呈负相关.IC_(50)数据显示多种药物可显著抑制CDCA5的表达.免疫组化实验证实了CDCA5在肝恶性肿瘤和结肠恶性肿瘤中具有促癌作用,可作为肿瘤治疗的生物标志物,为肿瘤治疗提供了一种新的研究方向.
文摘针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。