排序方式： 共有2条查询结果，搜索用时 140 毫秒
1
1.
从分子层面对泛癌进行研究已经得到了很大的进展，但是对宫颈鳞状细胞癌的分子分类研究仍然需要更多的探索. 为了找到宫颈鳞状细胞癌潜在的子类，本文提出了一个基于多维组学数据的癌症亚型分类分析流程. 通过统计学方法对癌症基因组图谱（The Cancer Genome Atlas，TCGA）宫颈鳞状细胞癌的mRNA表达数据、小分子核糖核酸（microRNA，miRNA）表达数据、DNA甲基化数据以及拷贝数变异数据4个维度包含的分子进行筛选，然后对筛选后的分类特征进行整合聚类，进一步筛选能够区分不同子类的关键分类特征，并使用这些关键分类特征建立宫颈鳞状细胞癌分类模型. 本研究为宫颈鳞状细胞癌分子层面子类的识别提供了分析流程，得到了两个临床生存水平具有显著性差异的宫颈鳞状细胞癌子类，并确定了8个宫颈鳞状细胞癌的关键分类特征. 本研究中识别的宫颈鳞状细胞癌子类和关键分类特征为宫颈鳞状细胞癌早期分类及分类标志物的鉴定提供了重要参考. 相似文献
2.
癌症通常由基因变异的累积所驱动,有效地识别癌症的驱动突变是一个巨大的挑战。目前已有方法更多是通过将基因组区域中观察到的突变率与背景突变率(BMR)预期的突变率进行比较或功能影响测试来识别驱动基因,该驱动基因本质上是存在统计异常的基因。而且并未对已有明确分类的癌症的子类之间驱动基因进行研究。本文引入关联规则算法,探寻发生该基因突变诱使病人患该子类低级别脑胶质瘤的有效规则,将突变数据与患癌结果通过算法建立关系,再通过支持度、置信度和提升度这三个指标对产生的规则进行筛选和评估,来预测候选驱动基因以及类间驱动基因差异。最后利用491例低级别脑胶质瘤体细胞突变数据,得到22个与结果存在关联的驱动基因及其所属的子类,敏感性和假阳性结果优于目前已有的单一算法,且22个基因均具有重要的生物学功能。同时建立了基于22个基因的低级别脑胶质瘤子类识别方法,模型总体准确率达98.99%,方法可有效区分三子类。 相似文献
1