导读:本文包含了表达图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:基因,小鼠,小家鼠,牙髓,节流阀,坐标系,乳白。
表达图论文文献综述
闫小妮,田国祥,潘振宇,杨津,柳青青[1]（2019）在《如何挖掘GEPIA数据库中研究数据并生成分析结果表达图》一文中研究指出GEPIA(Gene Expression Profiling Interactive Analysis)即基因表达谱数据动态分析,是一个由中国人新开发的用于癌症和正常基因表达谱分析的公共数据库,填补了癌症基因组学大数据信息的缺口。GEPIA分析来自TCGA和GTEx项目的9736个肿瘤和8587个正常样本的RNA测序表达数据,TCGA和GTEx的表达量数据都是在同一个pipeline下重新算出来的,可以直接进行非常全面的表达分析。该数据库是一个开放的公共数据库,感兴趣的研究者可以申请其中的数据进行相关研究,本文旨在对GEPIA数据库的架构以及基因数据的提取、分析、结果表达制图方法进行介绍。(本文来源于《中国循证心血管医学杂志》期刊2019年05期）
邵远杰[2]（2018）在《基于稀疏表达图的高光谱图像半监督分类方法研究》一文中研究指出高光谱图像分类是指通过分析地物的光谱特性,并根据某种规则来确定每个像素的所属类别,从而将待测地物划分为不同类型的区域,是人们认识和发现地物空间分布规律的一个重要途径。在高光谱图像分类中,常常需要足够多的标记样本来训练可靠的分类模型。然而,对样本进行标注是一件耗时、耗力的工作。另一方面,我们可以很容易的获得大量的未标记样本,因而,能够利用少量标记数据和大量未标记数据来学习的半监督分类算法成为机器学习领域的研究热点。其中,由于基于图的方法具有优雅的数学模型以及很好的解释性,受到了广泛的关注。基于图的高光谱图像半监督分类任务的关键在于,在高光谱图像数据上构造一个能真实反映样本间相似性关系的图。对于高光谱图像这样的高维度数据,由于数据的高维度性和非线性性使得传统的距离度量不能很好的刻画它们之间的相似性关系,从而不能构造一个良好的图结构。针对该问题,本文重点研究在稀疏表达模型框架下,如何学习得到一个有信息和判别性的图结构,使其充分挖掘高光谱数据的光谱和空间信息,以真实反映高光谱数据的内在结构,并应用于高光谱图像半监督分类任务中。首先,本文利用少量的标记信息来预估数据的概率类别结构,从而获得每个样本与每个类别的概率从属关系,然后将该概率类别结构信息融入稀疏表达模型中,提出一种基于概率类别结构约束的稀疏表达图算法,并用于高光谱图像半监督分类中。该图模型对具有不同类别分布的样本惩罚较大,即分配较小的权重给它们,而对具有相同类别分布的样本惩罚较小,即分配较大的权重,真实反映了数据的内在结构。实验结果表明,基于概率类别结构约束的稀疏表达图结构能够有效提升高光谱图像半监督分类性能。其次,针对传统的图构造方法没有考虑到高光谱图像丰富的空域信息的不足,本文对稀疏表达图从以下两个方面进行了改进:1)对空域相邻的样本赋予相似的权重系数;2)对不同类别分布的样本赋予较小的权重系数,提出一种基于空域和类别结构约束的稀疏表达图算法,并应用于高光谱图像半监督分类中。该方法不仅令不同类别分布的样本之间的权重尽可能小,而且保证空域上相邻的样本尽可能具有相似的表达系数,从而显着地提高了图的判别性。在多个高光谱图像数据集上的实验结果表明本方法能有效提升高光谱图像半监督分类性能。最后,针对现有的图结构要么是直接从原始数据来获得,要么是从数据的自我表达系数来获得的不足,本文尝试从一更具判别性的变换空间来构造图结构,提出一种基于表示空间的判别性的图构造方法,它可以同时学习数据的表示以及表示间的相似性关系。该图结构是根据样本表示间的欧式距离来构造的,它潜在的假设是,如果两个样本的表示之间的距离越小,那么它们属于同一个类别的概率越大。而且,本文在表示空间也考虑了样本的概率类别关系,从而进一步增加图的判别性。实验结果表明了该图构造方法的有效性。(本文来源于《华中科技大学》期刊2018-05-25）
易桥,卢燕勤,周玥颖,刘丝灵[3]（2016）在《人牙髓干细胞衰老相关生物学特性研究及基因表达图分析》一文中研究指出目的通过对比不同年龄来源DPSCs的生物学特点,并对其基因表达谱进行分析,初步探讨供者年龄对DPSCs生物学特性的影响及其可能机制。方法将两年龄组来源DPSCs在诱导分化培养基中培养,然后分别检测其分化能力。利用长链非编码RNA(lnc RNA)微阵列芯片和生物信息学分析检测来自年老和年轻个体DPSCs的lnc RNA和m RNA表达谱差异。结果年轻个体来源的DPSCs比年老个体来源的DPSCs具有更强的增殖能力、成骨分化能力和成脂分化能力。在年轻个体来源的DPSCs中,共有389个lnc RNA较年老个体来源的DPSCs表达上调,有172个lnc RNA表达下调。此外,相较于年老个体来源的DPSCs,年轻个体来源的DPSCs中共有304个差异表达的m RNA,其中247个m RNA表达上调,57个m RNA表达下调。生物信息学分析表明,调控细胞周期、RNA转运等功能的信号通路可能与DPSCs衰老相关,并且发现NFYB、GTF2B和NR3C1是影响DPSCs衰老的核心转录因子,FR249114、FR299091和ENST00000450004是影响DPSCs衰老的核心lnc RNA。结论本实验研究结果表明细胞衰老损伤了DPSCs的增殖和分化能力,不同年龄组来源的牙髓干细胞在RNA水平发生了众多lnc RNA和m RNA的改变。(本文来源于《2016中国国际正畸大会暨第十五次全国口腔正畸学术会议论文汇编》期刊2016-10-10）
Jeremy,Cherfas,王浩鑫,马建华[4]（2009）在《基因表达图集支撑起神经基因组学新大陆》一文中研究指出快速浏览高被引论文的好处是能够对学科有个大范围的了解,当然,缺点是只能有个模糊的概念。有时候,一篇文章能令人惊异得哑口无言,论文#10就是这样一篇文章。(本文来源于《科学观察》期刊2009年04期）
唐德修[5]（2007）在《一个值得商榷的液压传动表达图》一文中研究指出调速阀与节流阀的流量特性是不一样的,如何正确用坐标系形象的表达是工程技术人员思考的问题。长期以来有一种值得商榷的表达图广泛流传,主要问题在于坐标系的选取不正确,在正确的坐标系中表达才能说明两种阀的不同流量特性。(本文来源于《液压与气动》期刊2007年08期）
刘思国,魏影允,胡国法,高虹,刘思金[6]（2003）在《人α-乳白蛋白在转基因小鼠乳汁中的动态表达图貌》一文中研究指出利用人α-乳白蛋白基因(hα-Lac)探针从8×10~5个噬斑中筛选出两个阳性克隆,以此构建了包含有7.3kb的hα-lac的5′调控序列、2.0kb的编码区和227bp的牛生长激素3′UTR的乳腺表达框架。通过显微注射方法获得5只hα-Lac转基因整合雌性小鼠。对其中1只转基因表达量较高(达到0.3mg/mL)的小鼠的一个泌乳期中人乳白蛋白的表达过程分析表明:转基因并不遵从小鼠内源的α-Lac的表达图貌,而是以转基因特异的方式表达,表现为在分娩后的前3天转基因的表达低,自第4天开始逐渐增高,到第13～14天达到峰值后渐趋稳定,并持续到泌乳期结束。在第2个泌乳期中,转基因的表达量与首次泌乳期的水平相当。此外,转基因表达小鼠的泌乳量较正常小鼠和非表达整合小鼠有一定的增加,提示泌乳过程中较高浓度的α-Lac可能引发了产乳量的增加。(本文来源于《中国科学(C辑:生命科学)》期刊2003年04期）
静雨[7]（2001）在《遗传性乳腺癌的基因表达图不同于散发性乳腺癌》一文中研究指出据近期《新英格兰医学杂志》上的一篇报道称,散发性乳腺癌和与BRCA1或BRCA2有关的乳腺癌的基因表达图明显不同。贝塞斯达国立卫生研究所的Jeffrey Tent及其同事应用互补DNA微列阵(microarrays)法对散发性乳腺癌和与BRCA1或BRCA2突变有关的乳腺肿瘤的基因表达图进行了分(本文来源于《国外医学情报》期刊2001年04期）
表达图论文开题报告
（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：
高光谱图像分类是指通过分析地物的光谱特性,并根据某种规则来确定每个像素的所属类别,从而将待测地物划分为不同类型的区域,是人们认识和发现地物空间分布规律的一个重要途径。在高光谱图像分类中,常常需要足够多的标记样本来训练可靠的分类模型。然而,对样本进行标注是一件耗时、耗力的工作。另一方面,我们可以很容易的获得大量的未标记样本,因而,能够利用少量标记数据和大量未标记数据来学习的半监督分类算法成为机器学习领域的研究热点。其中,由于基于图的方法具有优雅的数学模型以及很好的解释性,受到了广泛的关注。基于图的高光谱图像半监督分类任务的关键在于,在高光谱图像数据上构造一个能真实反映样本间相似性关系的图。对于高光谱图像这样的高维度数据,由于数据的高维度性和非线性性使得传统的距离度量不能很好的刻画它们之间的相似性关系,从而不能构造一个良好的图结构。针对该问题,本文重点研究在稀疏表达模型框架下,如何学习得到一个有信息和判别性的图结构,使其充分挖掘高光谱数据的光谱和空间信息,以真实反映高光谱数据的内在结构,并应用于高光谱图像半监督分类任务中。首先,本文利用少量的标记信息来预估数据的概率类别结构,从而获得每个样本与每个类别的概率从属关系,然后将该概率类别结构信息融入稀疏表达模型中,提出一种基于概率类别结构约束的稀疏表达图算法,并用于高光谱图像半监督分类中。该图模型对具有不同类别分布的样本惩罚较大,即分配较小的权重给它们,而对具有相同类别分布的样本惩罚较小,即分配较大的权重,真实反映了数据的内在结构。实验结果表明,基于概率类别结构约束的稀疏表达图结构能够有效提升高光谱图像半监督分类性能。其次,针对传统的图构造方法没有考虑到高光谱图像丰富的空域信息的不足,本文对稀疏表达图从以下两个方面进行了改进:1)对空域相邻的样本赋予相似的权重系数;2)对不同类别分布的样本赋予较小的权重系数,提出一种基于空域和类别结构约束的稀疏表达图算法,并应用于高光谱图像半监督分类中。该方法不仅令不同类别分布的样本之间的权重尽可能小,而且保证空域上相邻的样本尽可能具有相似的表达系数,从而显着地提高了图的判别性。在多个高光谱图像数据集上的实验结果表明本方法能有效提升高光谱图像半监督分类性能。最后,针对现有的图结构要么是直接从原始数据来获得,要么是从数据的自我表达系数来获得的不足,本文尝试从一更具判别性的变换空间来构造图结构,提出一种基于表示空间的判别性的图构造方法,它可以同时学习数据的表示以及表示间的相似性关系。该图结构是根据样本表示间的欧式距离来构造的,它潜在的假设是,如果两个样本的表示之间的距离越小,那么它们属于同一个类别的概率越大。而且,本文在表示空间也考虑了样本的概率类别关系,从而进一步增加图的判别性。实验结果表明了该图构造方法的有效性。
（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。
表达图论文参考文献
[1].闫小妮,田国祥,潘振宇,杨津,柳青青.如何挖掘GEPIA数据库中研究数据并生成分析结果表达图[J].中国循证心血管医学杂志.2019
[2].邵远杰.基于稀疏表达图的高光谱图像半监督分类方法研究[D].华中科技大学.2018
[3].易桥,卢燕勤,周玥颖,刘丝灵.人牙髓干细胞衰老相关生物学特性研究及基因表达图分析[C].2016中国国际正畸大会暨第十五次全国口腔正畸学术会议论文汇编.2016
[4].Jeremy,Cherfas,王浩鑫,马建华.基因表达图集支撑起神经基因组学新大陆[J].科学观察.2009
[5].唐德修.一个值得商榷的液压传动表达图[J].液压与气动.2007
[6].刘思国,魏影允,胡国法,高虹,刘思金.人α-乳白蛋白在转基因小鼠乳汁中的动态表达图貌[J].中国科学(C辑:生命科学).2003
[7].静雨.遗传性乳腺癌的基因表达图不同于散发性乳腺癌[J].国外医学情报.2001
论文知识图
