CN109360604B - 一种卵巢癌分子分型预测系统 - Google Patents

一种卵巢癌分子分型预测系统 Download PDF

Info

Publication number
CN109360604B
CN109360604B CN201811389851.4A CN201811389851A CN109360604B CN 109360604 B CN109360604 B CN 109360604B CN 201811389851 A CN201811389851 A CN 201811389851A CN 109360604 B CN109360604 B CN 109360604B
Authority
CN
China
Prior art keywords
neuron
data
layer
output
ovarian cancer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811389851.4A
Other languages
English (en)
Other versions
CN109360604A (zh
Inventor
邓立彬
王豪庆
梁博文
王紫璇
杨霭琳
傅芬
汤晓丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NANCHANG ROYO BIOTECH Co.,Ltd.
Original Assignee
Nanchang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang University filed Critical Nanchang University
Priority to CN201811389851.4A priority Critical patent/CN109360604B/zh
Publication of CN109360604A publication Critical patent/CN109360604A/zh
Application granted granted Critical
Publication of CN109360604B publication Critical patent/CN109360604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明提供了一种卵巢癌分子分型预测系统，主要包括以下步骤：步骤1，卵巢癌mRNA基因表达特征数据提取模块：获取卵巢癌基因表达数据；步骤2，对所有基因表达数据使用skleam中preprocessing.scale方法进行标准化处理，根据公式Z‑scroce＝(x‑μ)/S2，将每张mRNA表达谱数据处理成均值为0，方差为1的服从正态分布的数据；步骤3，选择主要特征基因数据：运用主成分分析(PCA)及Filter特征选择法；步骤4，使用BP神经网络对N个特征的基因数据训练模型；步骤5，使用一定量样本进行回带程序验证，本发明能够凭借卵巢癌病理切片实现机器自动识别及报错，实现了快速且准确率高的卵巢癌分子分型预测；利用本发明系统进行卵巢癌分子分型预测，能更好的帮助临床治疗方案的完善。

Description

一种卵巢癌分子分型预测系统
技术领域
本发明涉及数据处理技术领域，具体为一种卵巢癌分子分型预测系统。
背景技术
卵巢癌作为当今妇科癌症中死亡率最高的疾病，其早期诊断、预后和个体差异较大。根据现有的临床诊断及治疗手段难以继续提高卵巢癌的生存率，因而，基于癌症的异质性，有必要通过对卵巢癌的基因表达谱的挖掘和研究来深入认识卵巢癌复杂的致病机制。通过挖掘基因组学数据中卵巢癌的基因表达差异，可以将卵巢癌分成分化型、增殖型、免疫反应型、间质型4个亚型，以期于正确认识各亚型间的致病机制，并推断其起源，从根源上制定诊疗计划。
随着大数据的完善和发展，让基因在疾病中的作用机制不断为人所知，通过对亚型的研究，发现在不同的亚型中基因表达谱有所不同，这类特定的基因也在不同通路中发挥作用，这也提示，对卵巢癌的进一步分类及挖掘有助于认识到各亚型的起源、发病机制，为治疗、预后等可提供新的研究方向。
发明内容
本发明的目的在于提供一种卵巢癌分子分型预测系统，以解决上述背景技术中提出的问题，本发明探索并建立了跨平台亚型分类模型，筛选与各亚型相关的特异性基因进行基因富集分析后，得出与各亚型相关的通路，从而可推测出各亚型的致病机制与起源，为临床早期筛查方法、癌症精准治疗及靶向治疗位点提供新的思路与方法，改善卵巢癌患者预后及中位生存期等。
为实现上述目的，本发明提供如下技术方案：一种卵巢癌分子分型预测系统，主要包括以下步骤：
步骤1，卵巢癌mRNA基因表达特征数据提取模块：获取卵巢癌基因表达数据；
步骤2，数据预处理器：对所有基因表达数据使用skleam中preprocessing.scale方法进行标准化处理，根据公式Z-scroce＝(x-μ)/S2，将每张mRNA表达谱数据处理成均值为0，方差为1的服从正态分布的数据；
步骤3，选择主要特征基因数据：运用主成分分析法(PCA)进行特征筛选，Filter特征选择法选取出特征表达最明显的N个特征；
步骤4，使用BP神经网络对N个特征的基因数据训练模型；
步骤5，验证：使用一定量样本进行回带程序验证。
进一步的，所述主成分分析法(PCA)为：
设原始变量x1，x2等数据矩阵为X，将数据矩阵按列进行中心标准化，然后求相关系数矩阵R；
R＝(rij)p×p
Figure BDA0001873338530000021
其中，rij＝rji，rii＝1；
求R的特征方程：
det(R-λE)＝0
其中，λ1＞＝λ2＞＝λp＞0；
确定主成分个数：
Figure BDA0001873338530000022
其中，α为累计贡献率，一般取α＞＝80％；
计算m个相应的单位特征向量：
Figure BDA0001873338530000031
计算主成分：
Zi＝β1iX1+β2iX2+......+βpiXp，i＝1，2，......，m。
进一步的，所述Filter特征选择法是一种启发式方法，其基本思想就是制定一个准则，用来衡量每个特征或者属性，对目标特征或属性的重要性程度，以此来对所有特征或者属性进行排序，或者进行择优选择，选取出特征表达最明显的N个特征。
进一步的，所述准则采用但不限于信息增益准则。
进一步的，所述BP神经网络包含输入层，隐含层和输出层：
假设有d个输入神经元，有1个输出神经元，q个隐含层神经元；
设输出层第j个神经元的阈值为θj；
设隐含层第h个神经元的阈值为γh；
输入层第i个神经元与隐含层第h个神经元之间的连接权为Vih；
隐含层第h个神经元与输出层第j个神经元之间的连接权为Whj；
记隐含层第h个神经元接收到来自于输入层的输入为αh；
Figure BDA0001873338530000032
记输出层第j个神经元接收到来自于隐含层的输入为βj；
Figure BDA0001873338530000033
其中bh为隐含层第h个神经元的输出；
理论推导：在神经网络中，神经元接收到来自其他神经元的输入信号，这些信号乘以权重累加到神经元接收的总输入值上，随后与当前神经元的阈值进行比较，然后通过激活函数处理，产生神经元的输出；
激活函数：采用sigmoid函数作为激活函数；
训练数据的时候，输入数据后得到的结果放入激活函数，与预期的结果进行比较，如果与预期结果有误差，则进行误差传递和调整参数；
sigmoid函数的公式如下：
Figure BDA0001873338530000041
对于一个训练例(xk，yk)，假设神经网络的输出层为Yk，则神经网络输出层第j个神经元的输出值可表示为：
Figure BDA0001873338530000042
f(***)表示激活函数，可以计算网络上，(xk，yk)的均方差误差为：
Figure BDA0001873338530000043
从隐含层的第h个神经元看，输入层总共有d个权重传递参数，共有l个权重传递参数传给输出层，自身还有1个阈值，一个隐含层神经元有(d+l+1)个参数待确定，输出层每个神经元还有一个阈值，所以总共有l个阈值，最后，总共有(d+l+1)*q+l个待定参数，随机给出这些待定的参数，后面通过BP算法的迭代，这些参数的值会逐渐收敛于合适的值；
任意权重参数的更新公式为：
W←W+ΔW
以隐含层到输出层的权重参数whj为例，求出均方差误差Ek，期望值为0，或者为最小值，以目标的负梯度方向对参数进行调整，通过多次迭代，新的权重参数会逐渐趋近于最优解；
对于误差Ek，给定学习率(learning rate)即步长η，有：
Figure BDA0001873338530000051
首先whj影响到了输出层神经元的输入值βj，然后影响到输出值Yj k，然后再影响到误差Ek，所以
Figure BDA0001873338530000052
根据输出层神经元的输入值βj的定义得到：
Figure BDA0001873338530000053
对于激活函数很容易通过求导证得下面的性质：
f′(x)＝f(x)[1-f(x)]
使用这个性质进行如下推导：
令
Figure BDA0001873338530000054
又因为
Figure BDA0001873338530000055
所以得到
Figure BDA0001873338530000056
即
Figure BDA0001873338530000057
把其带入式子中，
Figure BDA0001873338530000061
Figure BDA0001873338530000062
得到
Figure BDA0001873338530000063
所以
Figure BDA0001873338530000064
通过不停地更新即梯度下降法就可实现权重更新了，w←w+Δw，
Figure BDA0001873338530000065
η为学习率，即梯度下降的补偿；
Figure BDA0001873338530000066
为神经网络输出层第j个神经元的输出值；
Figure BDA0001873338530000067
为给出的训练例(xk，yk)的标志(label)，即训练集给出的正确输出；bh为隐含层第h个神经元的输出，类似可以得到
Figure BDA0001873338530000068
其中
Figure BDA0001873338530000071
通过不断的误差传递，权重调整得到最后的模型，把测试的数据带入模型中，即输入层位置进行计算，模型训练的时候会把正确分类结果放进输出层，模型进行权重的调整，会使得最后得到的结果十分接近1或2或3或4，若测试数据的结果接近1判定为分化型，若接近2判定为增繁殖型，若接近3判定为免疫反应型，若接近4判定为间质型。
与现有技术相比，本发明的有益效果是：
本发明克服了以往的针对卵巢癌分子分型技术方法速度慢、泛化性能差、分类准确率低的缺陷，并且能够凭借卵巢癌病理切片实现机器自动识别及报错，实现了快速且准确率高的卵巢癌分子分型预测；利用本发明系统进行卵巢癌分子分型预测，能更好的帮助临床治疗方案的完善；本发明使卵巢癌患者治疗更有针对性，帮助提高患者预后及存活时间。
附图说明
图1为本发明的流程图；
图2为本发明简易BP神经网络示意图；
图3为本发明GSE9891 ROC曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案，并不限于本发明。
在对癌症亚型分类模型的研究中，现常用的建模方法为k-means，其分组的可预测性是其优点，但后期需要人工对各亚型进行定义，因此对于较为相似的两种亚型，可能存在分型的定义偏差。因此，我们采用了神经网络中的BP模型，可直接预测出每一个样本的准确亚型，这不失为癌症亚型分类的一种新方法。另外，通过对比与TCGA团队的研究结果，及Tothill等人的结论，我们证实了卵巢癌四型亚型分类法的可行性。并且，通过对卵巢癌亚型基因的通路分析，我们认为不同亚型间的病因机制也有所不同。
本发明提供一种技术方案：一种卵巢癌分子分型预测系统，如图1所示，主要包括以下步骤：
步骤1，卵巢癌mRNA基因表达特征数据提取模块：获取卵巢癌基因表达数据；
步骤2，数据预处理器：对所有基因表达数据使用sklearn中preprocessing.scale方法进行标准化处理，根据公式Z-scroce＝(x-μ)/S2，将每张mRNA表达谱数据处理成均值为0，方差为1的服从正态分布的数据；
步骤3，选择主要特征基因数据：运用主成分分析法(PCA)进行特征筛选，Filter特征选择法选取出特征表达最明显的N个特征；
步骤4，使用BP神经网络对N个特征的基因数据训练模型；
步骤5，验证：使用一定量样本进行回带程序验证。
进一步的，主成分分析法(PCA)为：
设原始变量x1，x2等数据矩阵为X，将数据矩阵按列进行中心标准化，然后求相关系数矩阵R；
R＝(rij)p×p
Figure BDA0001873338530000081
其中，rij＝rji，rii＝1；
求R的特征方程：
det(R-λE)＝0
其中，λ1＞＝λ2＞＝λp＞0；
确定主成分个数：
Figure BDA0001873338530000091
其中，α为累计贡献率，一般取α＞＝80％；
计算m个相应的单位特征向量：
Figure BDA0001873338530000092
计算主成分：
Zi＝β1iX1+β2iX2+......+βpiXp，i＝1，2，......，m。
进一步的，Filter特征选择法为是一种启发式方法，其基本思想就是制定一个准则，用来衡量每个特征或者属性，对目标特征或属性的重要性程度，以此来对所有特征或者属性进行排序，或者进行择优选择，常用的衡量准则有假设检验的p值、相关系数、信息增益、信息熵等，选取出特征表达最明显的N个特征。
进一步的，衡量准则采用但不限于信息增益准则。
进一步的，如图2所示，这是一个简单的BP神经网络示意图，BP神经网络包含输入层，隐含层和输出层：
假设有d个输入神经元，有1个输出神经元，q个隐含层神经元；
设输出层第j个神经元的阈值为θj；
设隐含层第h个神经元的阈值为γh；
输入层第i个神经元与隐含层第h个神经元之间的连接权为Vih；
隐含层第h个神经元与输出层第j个神经元之间的连接权为Whj；
记隐含层第h个神经元接收到来自于输入层的输入为αh；
Figure BDA0001873338530000101
记输出层第j个神经元接收到来自于隐含层的输入为βj；
Figure BDA0001873338530000102
其中bh为隐含层第h个神经元的输出；
理论推导：在神经网络中，神经元接收到来自其他神经元的输入信号，这些信号乘以权重累加到神经元接收的总输入值上，随后与当前神经元的阈值进行比较，然后通过激活函数处理，产生神经元的输出；
激活函数：理想的激活函数是阶跃函数，“0”对应神经元抑制，“1”对应神经元兴奋，然而阶跃函数的缺点是不连续，不可导，且不光滑，所以常用sigmoid函数作为激活函数代替阶跃函数；
训练数据的时候，输入数据后得到的结果放入激活函数，与预期的结果进行比较，如果与预期结果有误差，则进行误差传递和调整参数；
阶跃函数和sigmoid函数的公式如下：
Figure BDA0001873338530000103
Figure BDA0001873338530000104
对于一个训练例(xk，yk)，假设神经网络的输出层为Yk，则神经网络输出层第j个神经元的输出值可表示为：
Figure BDA0001873338530000105
f(***)表示激活函数，可以计算网络上，(xk，yk)的均方差误差为：
Figure BDA0001873338530000106
乘以1/2是为了求导时能正好抵消掉常数系数；
从隐含层的第h个神经元看，输入层总共有d个权重传递参数，共有l个权重传递参数传给输出层，自身还有1个阈值，一个隐含层神经元有(d+l+1)个参数待确定，输出层每个神经元还有一个阈值，所以总共有l个阈值，最后，总共有(d+l+1)*q+l个待定参数，随机给出这些待定的参数，后面通过BP算法的迭代，这些参数的值会逐渐收敛于合适的值；
任意权重参数的更新公式为：
W←W+ΔW
以隐含层到输出层的权重参数whj为例，求出均方差误差Ek，期望值为0，或者为最小值，以目标的负梯度方向对参数进行调整，通过多次迭代，新的权重参数会逐渐趋近于最优解；
对于误差Ek，给定学习率(learning rate)即步长η，有：
Figure BDA0001873338530000111
首先whj影响到了输出层神经元的输入值βj，然后影响到输出值Yj k，然后再影响到误差Ek，所以
Figure BDA0001873338530000112
根据输出层神经元的输入值βj的定义得到：
Figure BDA0001873338530000113
对于激活函数很容易通过求导证得下面的性质：
f′(x)＝f(x)[1-f(x)]
使用这个性质进行如下推导：
令
Figure BDA0001873338530000114
又因为
Figure BDA0001873338530000121
所以得到
Figure BDA0001873338530000122
即
Figure BDA0001873338530000123
把其带入式子中，
Figure BDA0001873338530000124
Figure BDA0001873338530000125
得到
Figure BDA0001873338530000126
所以
Figure BDA0001873338530000127
通过不停地更新即梯度下降法就可实现权重更新了，w←w+Δw，
Figure BDA0001873338530000128
η为学习率，即梯度下降的补偿；
Figure BDA0001873338530000129
为神经网络输出层第j个神经元的输出值；
Figure BDA00018733385300001210
为给出的训练例(xk，yk)的标志(label)，即训练集给出的正确输出；bh为隐含层第h个神经元的输出，类似可以得到
Figure BDA0001873338530000131
其中
Figure BDA0001873338530000132
通过不断的误差传递，权重调整得到最后的模型，把测试的数据带入模型中，即输入层位置进行计算，模型训练的时候会把正确分类结果放进输出层，模型进行权重的调整，会使得最后得到的结果十分接近1或2或3或4，若测试数据的结果接近1判定为分化型，若接近2判定为增繁殖型，若接近3判定为免疫反应型，若接近4判定为间质型。
在本发明中，根据基因表达量的大小对其进行排列，选出表达量最大的前50个基因，以这50个基因作为特征，将299例已分好亚型的TCGA卵巢癌基因表达谱数据随机分为249例和50例，以249例为训练集，对TCGA数据采用BP神经网络进行建模，将其分为4个卵巢癌的亚型，用剩余50例作验证集，通过同样的方法将其分为4个亚型，并反向验证模型的准确率，用已建立的模型对GSE 9891的数据进行分类，对模型进行优化并计算模型准确率，如图3所示。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种卵巢癌分子分型预测系统，其特征在于：主要包括以下步骤：
步骤1，卵巢癌mRNA基因表达特征数据提取模块：获取卵巢癌基因表达数据；
步骤2，数据预处理器：对所有基因表达数据使用sklearn中preprocessing.scale方法进行标准化处理，根据公式Z-scroce＝(x-μ)/S2，将每张mRNA表达谱数据处理成均值为0，方差为1的服从正态分布的数据；
步骤3，选择主要特征基因数据：运用主成分分析法PCA进行特征筛选，Filter特征选择法选取出特征表达最明显的N个特征；
所述主成分分析法PCA为：
设原始变量x1，x2等数据矩阵为X，将数据矩阵按列进行中心标准化，然后求相关系数矩阵R；
R＝(rij)p×p
Figure FDA0003154983720000011
其中，rij＝rji，rii＝1；
求R的特征方程：
det(R-λE)＝0
其中，λ1>＝λ2>＝λp>0；
确定主成分个数：
Figure FDA0003154983720000012
其中，α为累计贡献率，取α>＝80％；
计算m个相应的单位特征向量：
Figure FDA0003154983720000021
计算主成分：
Zi＝β1iX1+β2iX2+......+βpiXp,i＝1,2,......,m
步骤4，使用BP神经网络对N个特征的基因数据训练模型；
所述BP神经网络包含输入层，隐含层和输出层：
假设有d个输入神经元，有l个输出神经元，q个隐含层神经元；
设输出层第j个神经元的阈值为θj；
设隐含层第h个神经元的阈值为γh；
输入层第i个神经元与隐含层第h个神经元之间的连接权为Vih；
隐含层第h个神经元与输出层第j个神经元之间的连接权为Whj；
记隐含层第h个神经元接收到来自于输入层的输入为αh；
Figure FDA0003154983720000022
记输出层第j个神经元接收到来自于隐含层的输入为βj；
Figure FDA0003154983720000023
其中bh为隐含层第h个神经元的输出；
理论推导：在神经网络中，神经元接收到来自其他神经元的输入信号，这些信号乘以权重累加到神经元接收的总输入值上，随后与当前神经元的阈值进行比较，然后通过激活函数处理，产生神经元的输出；
激活函数：采用sigmoid函数作为激活函数；
训练数据的时候，输入数据后得到的结果放入激活函数，与预期的结果进行比较，如果与预期结果有误差，则进行误差传递和调整参数；
sigmoid函数的公式如下：
Figure FDA0003154983720000031
对于一个训练例(xk,yk)，假设神经网络的输出层为Yk，则神经网络输出层第j个神经元的输出值表示为：
Figure FDA0003154983720000032
f(***)表示激活函数，则计算网络上，(xk,yk)的均方差误差为：
Figure FDA0003154983720000033
从隐含层的第h个神经元看，输入层总共有d个权重传递参数，共有l个权重传递参数传给输出层，自身还有1个阈值，一个隐含层神经元有(d+l+1)个参数待确定，输出层每个神经元还有一个阈值，所以总共有l个阈值，最后，总共有(d+l+1)*q+l个待定参数，随机给出这些待定的参数，后面通过BP算法的迭代，这些参数的值会逐渐收敛于合适的值；
任意权重参数的更新公式为：
W←——W+△W
以隐含层到输出层的权重参数whj为例，求出均方差误差Ek，期望值为0，或者为最小值，以目标的负梯度方向对参数进行调整，通过多次迭代，新的权重参数会逐渐趋近于最优解；
对于误差Ek，给定学习率即步长η，有：
Figure FDA0003154983720000034
首先whj影响到了输出层神经元的输入值βj，然后影响到输出值Yj k，然后再影响到误差Ek，所以
Figure FDA0003154983720000041
根据输出层神经元的输入值βj的定义得到：
Figure FDA0003154983720000042
对于激活函数很容易通过求导证得下面的性质：
f'(x)＝f(x)[1-f(x)]
使用这个性质进行如下推导：
令
Figure FDA0003154983720000043
又因为
Figure FDA0003154983720000044
所以得到
Figure FDA0003154983720000045
即
Figure FDA0003154983720000046
把其带入式子中，
Figure FDA0003154983720000047
Figure FDA0003154983720000048
得到
Figure FDA0003154983720000051
所以
Figure FDA0003154983720000052
通过不停地更新即梯度下降法就实现权重更新了，w←w+Δw，
Figure FDA0003154983720000053
η为学习率，即梯度下降的补偿；
Figure FDA0003154983720000054
为神经网络输出层第j个神经元的输出值；
Figure FDA0003154983720000055
为给出的训练例(xk,yk)的标志，即训练集给出的正确输出；bh为隐含层第h个神经元的输出，类似即得到
Figure FDA0003154983720000056
其中
Figure FDA0003154983720000057
通过不断的误差传递，权重调整得到最后的模型，把测试的数据带入模型中，即输入层位置进行计算，模型训练的时候会把正确分类结果放进输出层，模型进行权重的调整，会使得最后得到的结果十分接近1或2或3或4，若测试数据的结果接近1判定为分化型，若接近2判定为增繁殖型，若接近3判定为免疫反应型，若接近4判定为间质型；
步骤5，验证：使用一定量样本进行回带程序验证。
2.根据权利要求1所述的一种卵巢癌分子分型预测系统，其特征在于：所述Filter特征选择法是一种启发式方法，其基本思想就是制定一个准则，用来衡量每个特征或者属性，对目标特征或属性的重要性程度，以此来对所有特征或者属性进行排序，或者进行择优选择，选取出特征表达最明显的N个特征。
3.根据权利要求2所述的一种卵巢癌分子分型预测系统，其特征在于：所述准则采用但不限于信息增益准则。
CN201811389851.4A 2018-11-21 2018-11-21 一种卵巢癌分子分型预测系统 Active CN109360604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811389851.4A CN109360604B (zh) 2018-11-21 2018-11-21 一种卵巢癌分子分型预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811389851.4A CN109360604B (zh) 2018-11-21 2018-11-21 一种卵巢癌分子分型预测系统

Publications (2)

Publication Number Publication Date
CN109360604A CN109360604A (zh) 2019-02-19
CN109360604B true CN109360604B (zh) 2021-09-24

Family

ID=65332585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811389851.4A Active CN109360604B (zh) 2018-11-21 2018-11-21 一种卵巢癌分子分型预测系统

Country Status (1)

Country Link
CN (1) CN109360604B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110444270A (zh) * 2019-08-01 2019-11-12 重庆邮电大学 一种基于rbf神经网络的闭环dbs控制方法
TWI724710B (zh) * 2019-08-16 2021-04-11 財團法人工業技術研究院 建構數位化疾病模組的方法及裝置
CN111931568A (zh) * 2020-06-30 2020-11-13 青岛科技大学 一种基于增强式学习的人体跌倒检测方法及系统
CN112680523B (zh) * 2021-01-25 2022-07-29 复旦大学附属中山医院 用于判断卵巢癌患者预后的分子模型及应用
CN113160889B (zh) * 2021-01-28 2022-07-19 人科(北京)生物技术有限公司 一种基于cfDNA组学特性的癌症无创早筛方法
CN113284577B (zh) * 2021-05-24 2023-08-11 康键信息技术（深圳）有限公司 药品预测方法、装置、设备及存储介质
CN114005492A (zh) * 2021-12-31 2022-02-01 北京橡鑫生物科技有限公司 膀胱癌分子分型方法及其装置、计算机可读存储介质
CN116417070A (zh) * 2023-04-17 2023-07-11 齐鲁工业大学(山东省科学院) 一种基于梯度提升深度特征选择算法提高胃癌分型预后预测精度的方法
CN116798632B (zh) * 2023-07-13 2024-04-30 山东第一医科大学附属省立医院(山东省立医院) 一种基于代谢基因的胃癌分子分型及预后预测模型构建方法及应用

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1890370A (zh) * 2003-12-10 2007-01-03 诺瓦提斯公司 RNAi潜能的预测方法
CN103198211A (zh) * 2013-03-08 2013-07-10 北京理工大学 2型糖尿病发病危险因素对血糖影响的定量分析方法
CN103309370A (zh) * 2013-06-01 2013-09-18 中南林业科技大学 一种基于bp神经网络的孵房湿度控制方法
CN104636801A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN105447569A (zh) * 2015-12-18 2016-03-30 北京柏惠维康科技有限公司 一种基于深度学习的乳腺癌细胞特征分析系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1890370A (zh) * 2003-12-10 2007-01-03 诺瓦提斯公司 RNAi潜能的预测方法
CN103198211A (zh) * 2013-03-08 2013-07-10 北京理工大学 2型糖尿病发病危险因素对血糖影响的定量分析方法
CN103309370A (zh) * 2013-06-01 2013-09-18 中南林业科技大学 一种基于bp神经网络的孵房湿度控制方法
CN104636801A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN105447569A (zh) * 2015-12-18 2016-03-30 北京柏惠维康科技有限公司 一种基于深度学习的乳腺癌细胞特征分析系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于PPCA与SVM的卵巢癌早期检测模型研究";嵇梦颖;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20160930;E072-168 *

Also Published As

Publication number Publication date
CN109360604A (zh) 2019-02-19

Similar Documents

Publication Publication Date Title
CN109360604B (zh) 一种卵巢癌分子分型预测系统
CN108959728B (zh) 基于深度学习的射频器件参数优化方法
KR102190299B1 (ko) 인공신경망을 이용한 위암의 예후 예측 방법, 장치 및 프로그램
EP3819827A1 (en) Machine learning device and method
CN105740984A (zh) 一种基于性能预测的产品概念性能评价方法
US20220036231A1 (en) Method and device for processing quantum data
CN114169442B (zh) 基于双原型网络的遥感图像小样本场景分类方法
CN111103325A (zh) 一种基于集成神经网络学习的电子鼻信号漂移补偿方法
Zaman et al. Codon based back propagation neural network approach to classify hypertension gene sequences
CN113393057A (zh) 一种基于深度融合机器学习模型的小麦产量集成预测方法
CN113330462A (zh) 使用软最近邻损失的神经网络训练
CN107480441B (zh) 一种儿童脓毒性休克预后预测的建模方法及系统
CN114496112B (zh) 一种基于多目标优化的抗乳腺癌药物成分智能量化方法
CN112926251B (zh) 一种基于机器学习的滑坡位移高精度预测方法
CN110085324A (zh) 一种多重生存终端结果联合分析的方法
Haque et al. Parameter and Hyperparameter Optimisation of Deep Neural Network Model for Personalised Predictions of Asthma
CN112599194B (zh) 甲基化测序数据的处理方法和装置
CN112241811B (zh) “互联网+”环境下定制产品的分层混合性能预测方法
CN115083511A (zh) 基于图表示学习与注意力的外围基因调控特征提取方法
CN110673470B (zh) 基于局部加权因子模型的工业非平稳过程软测量建模方法
CN115280415A (zh) 致病性模型的应用和其训练
CN112651168B (zh) 基于改进神经网络算法的建设用地面积预测方法
CN111160715A (zh) 基于bp神经网络新旧动能转换绩效评价方法和装置
CN118072976B (zh) 基于数据分析的儿童呼吸道疾病预测系统及方法
CN113035363B (zh) 一种概率密度加权的遗传代谢病筛查数据混合采样方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220324

Address after: 330000 305-317, 3rd floor, incubation building, Jiangxi Academy of Sciences, No. 382, Shangfang Road, Qingshanhu District, Nanchang City, Jiangxi Province

Patentee after: NANCHANG ROYO BIOTECH Co.,Ltd.

Address before: 999 No. 330000 Jiangxi province Nanchang Honggutan University Avenue

Patentee before: Nanchang University

TR01 Transfer of patent right