采用偏最小二乘法的基因-药物共模块识别

首先,将药物二维化学结构转化为数值序列,计算药物之间的皮尔逊相关系数,进而构建药物关联网络;然后,在带有基因网络约束的稀疏偏最小二乘算法的基础上,加入药物关联网络信息,提出伴有基因和药物关联网络正则约束的稀疏偏最小二乘(SGDPLS)算法;最后,将SGDPLS算法应用于基因-药物共模块识别.结果表明:药物关联网络信息的加入能够有效提高所识别的共模块中基因模块与药物模块的相关性,增加共模块的生物可解释性.

基于高斯混合和BP神经网络的卵巢癌质谱数据三分类模型

癌症的早期诊断可以显著提高癌症患者的存活率,三分类问题就是将未知样本与已知样本进行匹配度检测,预测样本是健康状态,良性发展状态,还是癌症状态.针对复杂难分的卵巢癌蛋白质质谱数据,提出了一种基于高斯混合模型和BP神经网络的三分类预测模型.首先,去除原数据中的冗余,对其进行方差排序及交集筛选提取特征集合一,再利用高斯混合模型处理求得参数作为特征集合二,最后使用BP神经网络进行样本三分类,准确率达到72.9%.结果表明:模型可以作为卵巢癌质谱数据三分类的可选择工具.

基于细胞系-药物K近邻的抗癌药物敏感性预测

抗癌药物敏感性数据的缺失会对后续癌症数据分析产生重要影响.高通量测序技术为构建计算模型,有效预测抗癌药物敏感性提供了可能.依据已有的合理性假设:相似的细胞系对于目标药物具有相似的反应;相似的药物对于目标细胞系具有相似的反应,本文综合考虑了细胞系的基因表达和基因突变特征,给出细胞系相似性新的定义形式,结合药物相似性度量方法,提出了"细胞系-药物K近邻"计算模型,并将其成功应用于癌症细胞系百科全书(CCLE),得到的抗癌药物敏感性预测结果明显优于已有的经典模型.