Detecting the spectrum of multigene mutations in non-small cell lung cancer by Snapshot assay

As molecular targets continue to be identified and more targeted inhibitors are developed for personalized treatment of non-small cell lung cancer(NSCLC), multigene mutation determination will be needed for routine oncology practice and for clinical trials. In this study, we evaluated the sensitivity and specificity of multigene mutation testing by using the Snapshot assay in NSCLC. We retrospectively reviewed a cohort of 110 consecutive NSCLC specimens for which epidermal growth factor receptor(EGFR) mutation testing was performed between November 2011 and December 2011 using Sanger sequencing. Using the Snapshot assay, mutation statuses were detected for EGFR, Kirsten rate sarcoma viral oncogene homolog(KRAS), phosphoinositide-3-kinase catalytic alpha polypeptide(PIK3CA), v-Raf murine sarcoma viral oncogene homolog B1(BRAF), v-ras neuroblastoma viral oncogene homolog(NRAS), dual specificity mitogen activated protein kinase kinase 1(MEK1), phosphatase and tensin homolog(PTEN), and human epidermal growth factor receptor 2(HER2) in patient specimens and cell line DNA. Snapshot data were compared to Sanger sequencing data. Of the 110 samples, 51(46.4%) harbored at least one mutation. The mutation frequency in adenocarcinoma specimens was 55.6%, and the frequencies of EGFR, KRAS, PIK3 CA, PTEN, and MEK1 mutations were 35.5%, 9.1%, 3.6%, 0.9%, and 0.9%, respectively. No mutation was found in the HER2, NRAS, or BRAF genes. Three of the 51 mutant samples harbored double mutations: two PIK3 CA mutations coexisted with KRAS or EGFR mutations, and another KRAS mutation coexisted with a PTEN mutation. Among the 110 samples, 47 were surgical specimens, 60 were biopsy specimens, and 3 were cytological specimens; the corresponding mutation frequencies were 51.1%, 41.7%, and 66.7%, respectively(P = 0.532). Compared to Sanger sequencing, Snapshot specificity was 98.4% and sensitivity was 100%(positive predictive value, 97.9%; negative predictive value, 100%). The Snapshot assay is a sensitive and easily customized assay for multigene mutation testing in clinical practice.

基于小快拍场景的联合校正稳健波束形成算法

针对传统的自适应波束形成算法在目标导向矢量失配及接收数据的协方差矩阵存在误差时,性能急剧下降的问题,提出了一种基于小快拍场景的联合协方差矩阵重构,及导向矢量优化的稳健波束形成算法。对不确定集约束求解得到干扰导向矢量,根据稀疏干扰来向的导向矢量近似正交,求出干扰导向矢量对应的干扰功率,从而完成协方差矩阵重构;对期望信号来向及其邻域进行权值求解,对加权后的数据特征分解,利用多信号分类(Multiple Signal Classification, MUSIC)谱估计算法对信号区域积分得到信号协方差矩阵,将其主特征值近似为期望信号的导向矢量完成重新估计。仿真结果表明,在无误差时,算法输出信干噪比(Signal to Interference Plus Noise Ratio, SINR)接近理论最优;在多种误差环境下输出性能随信噪比(Signal to Noise Ratio, SNR)的变化均具有较好的稳健性,并且在信号来向可精准形成波束;在小快拍时可以较快收敛至理论最优值。

L型阵列的二维DOA估计方法

低信噪比(signal-to-noise ratio,SNR)或小接收快拍数条件下,经典的二维(two-dimensional,2D)波达方向(direction of arrival,DOA)算法存在估计精度低的缺点。针对该问题,充分利用L型阵列接收数据的自、互相关信息,提出一种适用于低SNR及小接收快拍数环境下的2D DOA估计新方法。该方法首先通过解析优化2D谱峰搜索问题,获得方位角与仰角之间的特定约束关系,进而将包含2D角度参量的目标函数转化为只包含一维(one-dimensional,1D)角度参量,即可通过1D谱峰搜索获得方位角(或仰角)估计值,最后再次利用该约束关系求得与之对应的仰角(或方位角)估计值。该方法只需1D谱峰搜索,而且所得2D角度估计参数可自动实现配对。计算机仿真验证了该方法在低SNR及小接收快拍数情况下的有效性。

一种用于水下小尺度运动阵列的目标波达方向估计方法

为解决水下小尺度运动阵列对目标定位的孔径和样本不足问题,采用合成孔径方法实现孔径的扩展。通过分析相干信源情况下不同阵元数与样本数之比时样本协方差矩阵的谱分离特性,提出采用小快拍的主特征空间目标波达方向估计方法。研究结果表明:仿真实验中,阵元数与样本数之比为5时,该方法依然可以正确分辨4个目标;水池试验中,阵元数与样本数之比为4.8时,该方法同样可以准确分辨3个相邻目标。该方法不需要先验信息如信源个数等,解决了小尺度运动阵列在实际应用时所暴露的孔径和样本方面的固有局限,可满足实际应用需求。

基于样本协方差矩阵谱分离特性的波达方向估计方法

小快拍条件下利用样本协方差矩阵代替统计协方差矩阵会带来较大误差,导致传统DOA估计算法不能准确估计目标方位。通过分析发现在不同阵元数与快拍数之比情况下,不管相干源还是独立源,样本协方差矩阵都具有明显的谱分离特性,在此基础上提出了采用小快拍的主特征空间目标波达方向估计方法,该方法利用导向向量与噪声子空间正交,且与信号子空间平行的特性,使用导向向量与主特征空间相乘再取反余弦构造出目标DOA估计幅度。仿真与水池实验中阵元数与样本数之比为1时依然可以准确将多个目标分辨出;海试数据验证中,阵元数与样本数之比也同样为1时,两个相邻目标可以正确分辨,而MUSIC算法则有伪目标出现。

基于Bessel先验快速稀疏贝叶斯学习的互质阵列DOA估计

为提高低采样点条件下互质阵列DOA估计精度,该文提出基于Bessel先验快速稀疏贝叶斯学习算法。该方法针对互质阵列输出的多采样点复数数据,首先构建了基于Bessel先验的多量测分层模型;其次推导了模型所涉超参数的对数似然函数,根据最大似然估计准则得到了超参数的迭代公式;最后提出了快速实现方案,提高了运算效率。仿真结果表明,该方法不依赖先验信息,在低采样点条件下具有更高的DOA估计精度和分辨率,能够对相干信号进行高精度DOA估计,并具有较高的运算效率。此外,该文探究了虚拟阵列扩展与互质阵列测向自由度扩展间的关联,为后续阵列误差条件下互质阵列DOA研究估计提供参考。

DOA estimation based on multi-frequency joint sparse Bayesian learning for passive radar

This paper considers multi-frequency passive radar and develops a multi-frequency joint direction of arrival(DOA)estimation algorithm to improve estimation accuracy and resolution.The developed algorithm exploits the sparsity of targets in the spatial domain.Specifically,we first extract the required frequency channel data and acquire the snapshot data through a series of preprocessing such as clutter suppression,coherent integration,beamforming,and constant false alarm rate(CFAR)detection.Then,based on the framework of sparse Bayesian learning,the target’s DOA is estimated by jointly extracting the multi-frequency data via evidence maximization.Simulation results show that the developed algorithm has better estimation accuracy and resolution than other existing multi-frequency DOA estimation algorithms,especially under the scenarios of low signalto-noise ratio(SNR)and small snapshots.Furthermore,the effectiveness is verified by the field experimental data of a multi-frequency FM-based passive radar.

基于矢量对角加载的近场目标定位方法

针对采样数据少的情况下近场最小方差无畸变(MVDR)算法定位性能差的问题,提出一种基于矢量对角加载的近场MVDR定位方法.首先推导了基于任意型矢量阵的近场MVDR算法,并分析了算法在快拍数较少时性能下降原因;矢量对角加载方法利用采样数据协方差矩阵的标准差作为加载量完成对角加载处理,获得改善的协方差矩阵;最后通过仿真和实验数据验证改进算法的有效性和稳定性.验证结果表明,提出的方法能克服小快拍数据的影响,提高水雷对近场区域目标的定位稳定性.

低信噪比下基于L型阵列的信源个数和DoA估计

低信噪比(signal-to-noise ratio,SNR)或小接收快拍数条件下,经典波达方向(direction of arrival,DoA)估计算法存在估计误差较大的缺点。针对该问题,充分利用L型阵列接收数据的自、互相关信息,给出一种适用于低SNR和小接收快拍数据环境的信源个数及DoA估计算法。该算法首先利用接收数据互协方差矩阵所得自相关矩阵的特征值,给出了一种信源个数估计方法;进而提出了一种新的二维DoA估计方法。计算机仿真验证了该算法在低SNR及小接收快拍数情况下的有效性。

基于IMF自相关相位矩阵的改进型信源个数估计算法

本文提出了一种基于本征模态函数(Intrinsic Mode Function,IMF)自相关相位矩阵的改进型信源个数估计方法,分别对均匀圆阵(Uniform circular array,UCA)接收的远场窄带信号的各IMF相关相位矩阵做特征分解获得特征值,在此基础上进一步特征提取,获得更高维的特征向量,利用BP(back propagation)神经网络训练新的信源个数估计模型。实验表明:本文方法在小快拍数下具有更优秀的信源个数估计性能。

小快拍高分辨目标方位估计算法GMUSIC的性能分析

针对水下运动阵列在运动过程中进行方位估计时存在快拍不足的问题,研究了基于随机矩阵理论的MUSIC改进算法GMUSIC,该方法通过Stieltjes变换建立起统计协方差矩阵真实特征值、特征向量与样本协方差矩阵之间在逼近域中的关联,以修正样本协方差特征分解的结果,进而实现小快拍方位估计。仿真与试验表明:GMUSIC算法可以更好地分辨相邻目标,且需要的快拍数较MUSIC算法要少;在低信噪比情况下,GMUSIC算法方位估计均方根误差远小于MUSIC算法,估计成功概率远大于MUSIC算法。因此,GMUSIC算法适用于解决水声目标的小快拍方位估计问题。

基于Stacking集成学习的信源数估计方法

针对小快拍数下的信源数估计,文中提出了一种基于Stacking集成学习的信源数估计模型,该模型整合XGBoost、LightGBM及简单全连接神经网络作为三个并行的初级学习器,并将Logistic Regression模型作为次级学习器,最终得到Stacking集成学习的信源数估计模型XLN-L-Stacking。实验结果表明,采用这种基于Stacking集成学习的方法来构建的XLN-L-Stacking模型,会明显提高小快拍数条件下的信源数估计精度。相对于单一的XGBoost、LightGBM和简单神经网络模型有较大的提升,并且优于其他方式的集成算法。