基于AI的多種腫瘤分類器的構(gòu)建課件

1、研究計(jì)劃基于機(jī)器學(xué)習(xí)的腫瘤細(xì)胞起源的研究1234研究依據(jù)研究目標(biāo)研究?jī)?nèi)容擬解決的關(guān)鍵問題5技術(shù)路線基于機(jī)器學(xué)習(xí)的腫瘤細(xì)胞起源的研究目 錄6研究方案與研究進(jìn)展研究依據(jù)研究意義有相當(dāng)比例的癌癥病例與轉(zhuǎn)移性腫瘤，需要進(jìn)一步的測(cè)試確定原發(fā)位置，其中許多是從來沒有完全診斷和保持癌癥的未知起源。很多醫(yī)學(xué)團(tuán)體認(rèn)為，利用癌癥“發(fā)源”的器官來對(duì)癌癥進(jìn)行定義就需要定義不同癌癥的治療策略。從那時(shí)候起，很多研究都表明，癌變的腫瘤或許會(huì)依賴其所發(fā)生的遺傳改變的類型來被分類或分群，這就意味著，開發(fā)新型療法就需要考慮和腫瘤相關(guān)的多個(gè)方面?？茖W(xué)家們證明，腫瘤首次出現(xiàn)的組織位置實(shí)際上與驅(qū)動(dòng)突變的機(jī)制同樣重要，這一結(jié)果不僅為組織

2、起源在腫瘤發(fā)展中發(fā)揮作用提供了更多的證據(jù)，也可能會(huì)引起與腫瘤生長(zhǎng)早期區(qū)域相關(guān)標(biāo)志物的發(fā)展。研究依據(jù)研究現(xiàn)狀2016年 Science雜志上發(fā)表了題為“Tissue of origin dictates branched-chain amino acid metabolism in mutant Kras-driven cancers”論文2016年 Science雜志上發(fā)表了”Location, location, location”論文2015 年Bioinformatics 發(fā)表“TumorTracer: a method to identify the tissue of origin

3、from the somatic mutations of a tumor specimen”研究目標(biāo)研究目標(biāo)優(yōu)化目前的分析流程，選擇最合理的機(jī)器學(xué)習(xí)算法構(gòu)建海量的核小體定位信息數(shù)據(jù)庫(kù)，根據(jù)不同的DNA切口的pattern來找尋腫瘤起源組織信息擁有了基于機(jī)器學(xué)習(xí)的優(yōu)化算法SCI 文章1-2篇本項(xiàng)目旨在通過對(duì)cosmic77等大型數(shù)據(jù)庫(kù)中腫瘤起源組織的信息與其他特征的關(guān)聯(lián)分析，用機(jī)器學(xué)習(xí)的方法達(dá)到如下目標(biāo)3/ 研究?jī)?nèi)容第一部分第二部分第三部分第四部分機(jī)器學(xué)習(xí)特征數(shù)據(jù)的采集，通過突變基因、單核苷酸突變、三核苷酸變異信息、核小體定位等特征集來選取cosmic77數(shù)據(jù)庫(kù)中的有效樣本；3/ 研究?jī)?nèi)容第一

4、部分第二部分第三部分第四部分分析比對(duì)目前的機(jī)器學(xué)習(xí)算法，選擇最優(yōu)的學(xué)習(xí)算法，即最合理的數(shù)據(jù)敏感性和特異性的分布情況。集成學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)遺傳算法支持向量機(jī)3/ 研究?jī)?nèi)容第一部分第二部分第三部分第四部分通過AI中集成學(xué)習(xí)的方法對(duì)大樣本進(jìn)行train data，test data的隨機(jī)分組和10X以上的交叉驗(yàn)證；3/ 研究?jī)?nèi)容第一部分第二部分第三部分第四部分構(gòu)建分類樹算法，研究不同腫瘤在特征集上的差異4/ 擬解決的關(guān)鍵問題選取腫瘤大數(shù)據(jù)的特征變量抽取腫瘤大數(shù)據(jù)集中的特征數(shù)據(jù)：?jiǎn)魏塑账嵬蛔兓颉⑷塑账嶙儺愋畔?、拷貝?shù)變異信息、核小體定位等。關(guān)鍵基因、突變集合用于精準(zhǔn)診斷。構(gòu)建核小體定位信息的二級(jí)數(shù)據(jù)庫(kù)

5、，需要樣本的積累。研究基于mysql數(shù)據(jù)庫(kù)的并行計(jì)算：mpi4py，增加海量數(shù)據(jù)分析的運(yùn)行效率5/ 技術(shù)路線6/ 研究方案樣本數(shù)據(jù)的選?。篊osmicMutantExport_v77.tsv.gz樣本特征數(shù)據(jù)提取：?jiǎn)魏塑账嵬蛔兓?、三核苷酸變異信息、拷貝?shù)變異信息、核小體定位等研究不同的機(jī)器學(xué)習(xí)算法在大數(shù)據(jù)集合中的表現(xiàn)構(gòu)建分類樹，研究不同腫瘤的特征差異根據(jù)數(shù)據(jù)量的情況，研究合理的并行計(jì)算的方法，mysql的并行存取以及Hadoop和spark等并行算法6/ 研究方案（樣本數(shù)據(jù)的選?。〤osmicMutantExport_v77.tsv.gzlabeled as “Genome.wide.scr

6、een”，not labeled as “cell-line”，然后選取Sample ID和tumor ID可以一一映射的數(shù)據(jù)樣本6/ 研究方案（樣本特征數(shù)據(jù)提?。┫到y(tǒng)突變基因單核苷酸突變信息三核苷酸變異信息核小體定位等6/ 研究基礎(chǔ)條件（工作基礎(chǔ)）1) 基于集群服務(wù)器的Hadoop的環(huán)境2) PHP、R的交互環(huán)境構(gòu)建。3) 生物信息進(jìn)化樹分析的基礎(chǔ)。4) 基因組生物統(tǒng)計(jì)分析的基礎(chǔ)條件，大數(shù)據(jù)的條件。6/ 研究基礎(chǔ)條件（工作條件）1) 樣本信息的不斷完善和積累。2) 生物信息的條件，大數(shù)據(jù)分析的條件。7/ 研究進(jìn)展7/ 研究進(jìn)展（二分類情況）7/ 研究進(jìn)展（腫瘤分類學(xué)習(xí)分組）7/ 研究進(jìn)展（腫瘤分類學(xué)習(xí)分組的錯(cuò)分率，top3 group）7