典型文献
癌症多组学数据深度自编码器整合分型方法
文献摘要：
在癌症研究中,随着高通量测序技术发展已经产生了海量的复杂数据.尽管有了一些利用深度学习和统计学方法进行多组学数据整合的研究,但目前仍缺乏较为有效率的整合方法.因此提出一种基于深度自编码器的多组学数据整合方法(deep autoencoder for multi-omics integration,DAEMI).它利用自编码器中的瓶颈层,学习多组学数据的特征表示.与先前利用深度学习整合的研究相比,DAEMI可以发现明显生存差异的癌症亚型.同时因为不需要生存数据来选择特征,DAEMI可以使用更多特征进行K均值聚类,进而完成癌症分型任务.将DAEMI应用于模拟数据集与四个癌症数据集实验,通过与高阶路径相似度网络的融合模型(HOPES)、相似性网络融合(SNF)、iClusterPlus和moCluster进行比较,结合模拟数据集测试结果与真实癌症数据集测试结果来看,DAEMI要优于其他方法.相应的生物功能分析揭示,神经退行性疾病与线粒体功能障碍可能与癌症共享某些生物学通路.
文献关键词：
多组学数据整合;癌症分型;K均值;深度学习;生存分析
中图分类号：
作者姓名：
曹业伟;刘飞
作者机构：
华南理工大学 软件学院,广州 510006
文献出处：
引用格式：
[1]曹业伟;刘飞-.癌症多组学数据深度自编码器整合分型方法)[J].计算机工程与应用,2022(18):154-161
A类：
DAEMI,癌症分型,HOPES,相似性网络融合,iClusterPlus,moCluster
B类：
数据深度,深度自编码器,分型方法,高通量测序技术,经产,复杂数据,管有,统计学方法,多组学数据整合,整合方法,deep,autoencoder,multi,omics,integration,瓶颈层,特征表示,先前,生存差异,多特征,均值聚类,模拟数据,高阶路径,路径相似度,融合模型,SNF,其他方法,生物功能,功能分析,神经退行性疾病,线粒体功能障碍,生物学通路,生存分析
AB值：
0.256966
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
