导读:本文包含了基因微阵列论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:阵列,基因,向量,特征,算法,邻域,基因芯片。
基因微阵列论文文献综述
杨爱华[1]（2019）在《集成特征选择的基因微阵列数据分类算法》一文中研究指出多分类器集成是机器学习领域的一个研究热点,基因微阵列技术是多领域综合交叉技术,在医学与生物学上有广泛的应用。但是,基因微阵列数据维度高且样本少等问题使得传统的分类器不能总是取得理想的分类效果。现提出一种基于多目标遗传算法的集成特征选择方法。首先,确定使用基于进化计算的集成特征选择方法进行微阵列数据分析;其次,实现最大化最小边缘的目标设计并不断完善适应值函数;最后,引导算法生成高差异度与精确度的基分类器。在前列腺癌数据集和乳腺癌数据集上与已有方法进行对比,实验表明,提出的方法在对基因微阵列数据进行分类判别方面性能表现良好。(本文来源于《信息记录材料》期刊2019年10期）
黄丽丽,吴玉璘,林宁,石慧,姜志欣[2]（2018）在《江苏省部分地区孕前人群耳聋基因微阵列芯片筛查及遗传咨询》一文中研究指出目的探讨对孕前人群进行耳聋基因筛查及耳聋相关遗传咨询的意义。方法抽取江苏省6个地区的孕前耳聋基因筛查人群共1 843例,将其分成孕前耳聋高危组(1 203例)和孕前非耳聋高危组(640例),使用微阵列耳聋基因芯片,分别对两组对象进行GJB2、GJB3、SLC26A4、线粒体12SrRNA 4个常见耳聋基因中9个位点(GJB2基因35del G、176del 16、235del C、299del AT,GJB3基因538C>T,SLC26A4基因2168A>G、IVS7-2A>G和线粒体12SrRNA基因1494C>T、1555A>G)的检测,应用遗传性耳聋基因芯片报告咨询表和现场咨询相结合的方式,向受检者提供筛查结果的遗传咨询。结果 1 203例孕前耳聋高危组中,GJB2基因突变检出率为24.02%(289/1 203),GJB3为0.08%(1/1 203),SLC26A4为13.22%(159/1 203),线粒体12SrRNA为11.89%(143/1 203)。640例孕前非耳聋高危组中,GJB2基因突变率为3.44%(22/640),GJB3为0.31%(2/640),SLC26A4为1.25%(8/640),线粒体12SrRNA为0.31%(2/640)。发放咨询表1 843人份,回收949人份,共咨询和解答问题728个,其中基因遗传占57.69%(420/728),生育风险占30.49%(222/728),产前诊断占3.44%(25/728),预防治疗占8.38%(61/728)。5个典型案例中,例1家庭仲某某是GJB2 235del C杂合突变,建议其婚配对象进行相应位点检测以预防生育耳聋患者;例2家庭耳聋夫妇丈夫为SLC26A4IVS7-2A>G杂合突变型,妻子为线粒体12SrRNA 1555A>G均质突变型,告知其后代绝对禁止使用氨基糖苷类抗生素,建议丈夫进行SLC全基因测序,妻子进行相应位点检测;例3家庭妻子为野生型,耳聋患者丈夫为GJB2 235del G杂合突变和线粒体12SrRNA 1555A>G均质突变,建议丈夫行GJB2基因的全序列测序分析;例4家庭丈夫为野生型,妻子为SLC26A4IVS7-2A>G杂合突变型,建议妻子进行影像学颞骨CT检查,丈夫进行相应位点的全序列检测;例5家庭父亲为GJB2 299del AT杂合突变型,母亲为GJB2 176del 16杂合突变型,预测后代出现耳聋的风险为25%,建议母亲再生育时进行产前诊断,以预防耳聋患儿的出生。结论对孕前人群进行微阵列耳聋基因芯片检测,可以明确大部分遗传性耳聋发生的风险,为遗传性耳聋的预防及母亲再生育咨询提供参考,有效地减少遗传性耳聋患儿的出生。(本文来源于《听力学及言语疾病杂志》期刊2018年06期）
高信腾[3]（2018）在《基于智能优化算法的基因微阵列数据分类建模与优化研究》一文中研究指出随着基因微阵列技术的发展,如何挖掘基因微阵列数据的研究价值,实现疾病致病基因的发现、基因检测、疾病早发现早治疗、探究疾病基因表达个体差异等应用,成了当下研究的热点。由于基因微阵列数据是典型的高维小样本数据集,传统的机器学习方法对维数灾难、过拟合、局部极值等困境束手无策。支持向量机(SVM)作为统计学习理论的重要成果,将结构风险最小化取代传统的经验风险最小化准则,避免了上述缺点。本文基于支持向量机的两种延伸:最小二乘支持向量机(LSSVM)和相关向量机(RVM),对统计学习理论在基因微阵列的应用展开研究并设计了两种疾病诊断模型。全文工作以及主要贡献如下:1)利用特征选择方法中filter方法与wrapper方法结合的方式选取最优特征子集。利用filter初步过滤,再利用wrapper进行特征排序,结果表明方法是有效的,每个步骤完成后的分类器都使用更少的特征维数获得更高的分类准确率。2)LSSVM将SVM中的二次规划问题转化为线性规划问题,提升了计算效率。由于LSSVM惩罚参数与RBF核宽度需要优化,本文结合了 PSO以及FOA优化方法进行参数寻优。结果分析表明,文章提出的方法在特征维数以及分类准确率上的表现优于对比文献,仅使用4个特征就达到测试集100%准确率。3)RVM是SVM的贝叶斯拓展,由于RVM的解更稀疏,所以比SVM更适合于在线检测。而RVM只需要对超参数进行优化,本文选用了结构简单的DE算法对其进行优化,为了增加种群多样性,在DE算法中利用ACO产生扰动,增加寻找到全局最优的几率。结果分析中,该方法同样优于参考文献结果的同时,最后还进一步比较了本文两种模型在多个数据集下与其他方法的比较,最终在4个数据集中各自3次达到最佳分类准确率。良好的性能表明本文研究成果具备推广性。(本文来源于《浙江大学》期刊2018-03-15）
李小鹏[4]（2018）在《基于改进的svm的基因微阵列数据疾病预报》一文中研究指出DNA微阵列又称DNA芯片,是上个世纪生物领域重要的发明之一。他使同时监控成千上万个基因的表达成为了可能。随着现代生活的发展,疾病诊断成为了医学很重要的一部分。本文研究利用DNA微阵列技术来做疾病诊断预测。DNA微阵列数据集有低样本,高维度,高冗余,高噪音的特点,不能直接利用机器学习的算法进行分类。本文首先对数据集进行了预处理,然后利用gs,cho's,svm-rfe等方法进行特征提取,将基因打分,得出特征基因的排序。利用选出的基因再结合数据的特点,本文选择了使用改进的支持向量机,最小二乘向量机进行模型的训练。模型有两个重要参数,参数的选择对分类器的好坏有至关重要的影响。本文使用了遗传算法对参数优化,提高了模型的预报能力。在白血病,胶质癌,弥漫性大b淋巴癌的数据集上进行了预报测试。在白血病的数据中,取得了只用4个基因,预报准确率100%的结果,优于其他方法。本文最后还指出DNA微阵列的特征提取的现实意义,特征提取对生物学和医学的病理上的研究有一定的指导作用。(本文来源于《浙江大学》期刊2018-01-01）
王瑶琪[5]（2017）在《分化型甲状腺癌相关基因微阵列基因芯片检测方法的构建》一文中研究指出背景:甲状腺癌在人类恶性肿瘤中约占1%,是最常见的内分泌恶性肿瘤。在世界范围内发病率呈上升趋势,成为增长最迅速的人类肿瘤。目前超声、细针穿刺细胞学检查(fine-needle aspiration cytology,FNAC)和血清甲状腺球蛋白检测等是甲状腺肿瘤最常见的诊断方法,但因其存在着误诊和漏诊的机率,建立更为准确和特异的诊断方法成为临床急需解决的问题。BRAF、RAS和TERT启动子区的突变因引起细胞异常增殖而在甲状腺癌的发生中具有不可估量的作用,结合近年来分子诊断技术在肿瘤诊治中的应用,这些基因突变的检测在甲状腺癌中也已开展。但现有检测技术存在着因医师经验不足和检验设备落后等导致的假阳性和假阴性的情况,因此,一种新的高灵敏性和特异性的基因诊断方法有待研究。目的:建立新型甲状腺癌相关基因检测技术,提高临床检测的准确性,为临床诊治提供依据。方法:合成柠檬酸稳定的金纳米粒子用于构建功能化金纳米粒子的标记探针;制备DNA微阵列芯片用于检测靶标DNA;通过银增强反应放大信号;Array It Spot Ware Colorimetric微阵列扫描仪扫描DNA微阵列芯片获得RLS信号;Image J提取RLS信号值及背景信号值用以数据分析。结果:当芯片点样探针浓度分别为Probe 1T和1S:30μM,Probe2T、2S、3T、3S:5μM;杂交缓冲溶液为3×SSC,0.1%(w/v)SDS;功能化金纳米粒子缓冲溶液为1×SSC,0.1%(w/v)SDS时,45℃杂交反应进行为2小时,30℃功能化金纳米粒子反应1小时的检测条件下,可获得较为稳定和特异的检测结果。结论:应用DNA微阵列芯片结合功能化金纳米粒子检测甲状腺癌相关基因是一种灵敏、特异的方法,对于临床诊治具有良好的参考价值。(本文来源于《吉林大学》期刊2017-05-01）
石鑫[6]（2016）在《基因微阵列数据分类系统的设计与实现》一文中研究指出基因决定了一切生命从出生到死亡整个生命过程的表现形式。通过基因检测与数据分析可以帮助人们知道人一生的疾病走向与潜在隐患,并引导医学向更准确的治疗方向发展。基因表达数据是通过微阵列技术得到,即DNA微阵列技术,又被成为基因芯片技术。通过基因微阵列技术,人们可以获得大量的基因表达数据。对有着生物信息的癌症基因数据进行分析与研究,将有助于疾病的预测与诊断。然而,如何对有着数据维数高、样本小、相关性大、冗余特征和噪声特征干扰性强等特点的基因微阵列数据进行快速、高效、准确的提取与分类,已经成为当前针对基因微阵列数据研究的重要课题之一。本文在阅读大量国内外相关文献,多次实验的基础上,以癌症基因微阵列数据为研究对象,开发了基因微阵列数据分类系统。本文由基因微阵列数据的特征选择、特征提取、分类等部分组成。在特征选择与特征提取部分,利用小波变换将其快速的降维,减少冗余特征数据对样本分类的影响。鉴于微阵列实验复杂性与环境等因素的影响,以及采集数据对象又存在差异,这使得相同分类器在不同数据集上,表现出不同的学习效果。文本将通过改进Borda融合算法,将多特征选择方法得到的特征排序序列,融合成一个最优的特征排序结果。同时,还研究了用粒子群优化算法对小波系数进行筛选,进而得到最优的特征子集。为了验证本文算法能够有效地实现基因数据分类,并且其系统具有一定的可行性与实用性。本文将在叁个数据集上进行实验,分别是急性白血病数据集、前列腺数据集、肺癌数据集。实验结果表明:本方法能得到较好的微阵列数据分类结果。并且将改进后的算法应用到分类系统中,不仅进一步验证了本文算法的有效性,同时验证了基因微阵列数据分类系统的合理性与可用性。(本文来源于《东北大学》期刊2016-12-01）
杜洪波,董文娟[7]（2016）在《Relief-PSO混合算法在基因微阵列特征选择中的应用》一文中研究指出在处理高维小样本、高冗余、高噪声的基因微阵列数据时,无法采用传统特征选择方法进行分析。针对该问题提出了一种结合Relief和粒子群优化算法(Relief-PSO)的混合特征选择方法。首先采用Relief预选滤除部分特征,然后以SVM-PSO封装算法选择出最优特征子集,采用典型的小样本高维公共微阵列数据测试算法。结果表明,总体分类精度不低于85%,与SVMRFE,SVMDEA特征选择算法进行了比较,基于Relief和PSO的混合特征选择算法精度较高,能够有效应用于基因微阵列数据的分析。(本文来源于《沈阳工程学院学报(自然科学版)》期刊2016年03期）
张苗林,曾碧贵[8]（2015）在《基于R语言病人基因微阵列样本分析》一文中研究指出本文基于R语言开源的开发平台,提出了一种以Bioconductor为生物计算环境,利用软件包在本地服务器构建初步数据分析系统。主要围绕急性淋巴细胞白血病(Acute lymphobalstic leukemia,ALL)病人基因微阵列样本展开分析研究,利用给定病人的基因表达情况的微阵列表,确定这个病人的急性淋巴细胞白血病基因突变的类型,实验结果达到预期的目的。(本文来源于《福建电脑》期刊2015年07期）
孟军,李锐,郝涵[9]（2015）在《基于相交邻域粗糙集的基因微阵列数据分类》一文中研究指出在对基因微阵列数据的特征选择和分类的研究中,粗糙集理论是一个可以消除冗余基因的有效工具。但是传统的粗糙集模型不能很好地处理连续型数值数据,而离散化方法可能会导致信息的丢失。为此,提出了一种基于相交邻域粗糙集模型的属性约简算法,即将传统粗糙集中的距离邻域扩展为相交邻域,采用基于集合的方式来定义近似,以此构建粗糙集模型。在癌症数据集上进行实验,结果表明基于集合近似和相交邻域的粗糙集模型可以取得较好的分类效果,并且通过对选择出的基因进行GO术语分析,进一步证明了该模型的有效性。(本文来源于《计算机科学》期刊2015年06期）
王震[10]（2015）在《支持向量机在基因微阵列数据处理中的应用和改进》一文中研究指出近年来随着机器学习技术的发展，同时医疗信息系统在各大医院的普及和测量仪器技术的提高使得医疗数据迅速增长。从这些的数据集中运用各种数据挖掘技术了解各种疾病之间的相互关系、各种疾病的发展规律，总结各种治疗方案的治疗效果，以及对疾病研究都是非常有价值和发展前景的。基因微阵列技术能够在基因组水平上一系统全局的角度去研究生命的本质，基因表达数据通常具有维数高、样本小等特点，而支持向量机对于解决高维数据分析问题有着其特有的优势，将支持向量机应用于该种实验数据分析具有重大巨大研究意义。本文首先介绍支持向量机的最新相关应用和所取得的一些成就，并给出了支持向量机应用最广泛的几个领域的最新研究进展。然后由支持向量机和基础的机器学习算法的关系引出支持向量机的基本原理并给予了推导，接着给出了支持向量机的两种实现方法，详细说明了使用SMO算法实现的程序流程并对基因微阵列数据进行分类和回归。本文最后给出了在Spark平台下SVM算法的实现和主要代码及实验结果，实验结果表明在分布式平台下算法的运行速度和回归准确率都有较大提高特别是运行速度明显大大提高。解决了在一般计算机系统中算法运行时间长的难点，提高了一般基于支持向量机算法的研究的效率。(本文来源于《武汉科技大学》期刊2015-05-18）
基因微阵列论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的探讨对孕前人群进行耳聋基因筛查及耳聋相关遗传咨询的意义。方法抽取江苏省6个地区的孕前耳聋基因筛查人群共1 843例,将其分成孕前耳聋高危组(1 203例)和孕前非耳聋高危组(640例),使用微阵列耳聋基因芯片,分别对两组对象进行GJB2、GJB3、SLC26A4、线粒体12SrRNA 4个常见耳聋基因中9个位点(GJB2基因35del G、176del 16、235del C、299del AT,GJB3基因538C>T,SLC26A4基因2168A>G、IVS7-2A>G和线粒体12SrRNA基因1494C>T、1555A>G)的检测,应用遗传性耳聋基因芯片报告咨询表和现场咨询相结合的方式,向受检者提供筛查结果的遗传咨询。结果 1 203例孕前耳聋高危组中,GJB2基因突变检出率为24.02%(289/1 203),GJB3为0.08%(1/1 203),SLC26A4为13.22%(159/1 203),线粒体12SrRNA为11.89%(143/1 203)。640例孕前非耳聋高危组中,GJB2基因突变率为3.44%(22/640),GJB3为0.31%(2/640),SLC26A4为1.25%(8/640),线粒体12SrRNA为0.31%(2/640)。发放咨询表1 843人份,回收949人份,共咨询和解答问题728个,其中基因遗传占57.69%(420/728),生育风险占30.49%(222/728),产前诊断占3.44%(25/728),预防治疗占8.38%(61/728)。5个典型案例中,例1家庭仲某某是GJB2 235del C杂合突变,建议其婚配对象进行相应位点检测以预防生育耳聋患者;例2家庭耳聋夫妇丈夫为SLC26A4IVS7-2A>G杂合突变型,妻子为线粒体12SrRNA 1555A>G均质突变型,告知其后代绝对禁止使用氨基糖苷类抗生素,建议丈夫进行SLC全基因测序,妻子进行相应位点检测;例3家庭妻子为野生型,耳聋患者丈夫为GJB2 235del G杂合突变和线粒体12SrRNA 1555A>G均质突变,建议丈夫行GJB2基因的全序列测序分析;例4家庭丈夫为野生型,妻子为SLC26A4IVS7-2A>G杂合突变型,建议妻子进行影像学颞骨CT检查,丈夫进行相应位点的全序列检测;例5家庭父亲为GJB2 299del AT杂合突变型,母亲为GJB2 176del 16杂合突变型,预测后代出现耳聋的风险为25%,建议母亲再生育时进行产前诊断,以预防耳聋患儿的出生。结论对孕前人群进行微阵列耳聋基因芯片检测,可以明确大部分遗传性耳聋发生的风险,为遗传性耳聋的预防及母亲再生育咨询提供参考,有效地减少遗传性耳聋患儿的出生。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
基因微阵列论文参考文献
[1].杨爱华.集成特征选择的基因微阵列数据分类算法[J].信息记录材料.2019
[2].黄丽丽,吴玉璘,林宁,石慧,姜志欣.江苏省部分地区孕前人群耳聋基因微阵列芯片筛查及遗传咨询[J].听力学及言语疾病杂志.2018
[3].高信腾.基于智能优化算法的基因微阵列数据分类建模与优化研究[D].浙江大学.2018
[4].李小鹏.基于改进的svm的基因微阵列数据疾病预报[D].浙江大学.2018
[5].王瑶琪.分化型甲状腺癌相关基因微阵列基因芯片检测方法的构建[D].吉林大学.2017
[6].石鑫.基因微阵列数据分类系统的设计与实现[D].东北大学.2016
[7].杜洪波,董文娟.Relief-PSO混合算法在基因微阵列特征选择中的应用[J].沈阳工程学院学报(自然科学版).2016
[8].张苗林,曾碧贵.基于R语言病人基因微阵列样本分析[J].福建电脑.2015
[9].孟军,李锐,郝涵.基于相交邻域粗糙集的基因微阵列数据分类[J].计算机科学.2015
[10].王震.支持向量机在基因微阵列数据处理中的应用和改进[D].武汉科技大学.2015
论文知识图
