【技术实现步骤摘要】
检测癌症个体病人动态网络生物标志物的多模态优化方法
[0001]本专利技术涉及癌症个体生物标志物识别
，具体地说，涉及一种检测癌症个体病人动态网络生物标志物的多模态优化方法。
技术介绍
[0002]近年来，随着我国人口老龄化、工业化、城镇化的进程逐渐加快，伴随着不健康生活方式、环境暴露等一系列原因，癌症已成为近年来我国居民的主要死亡原因之一。
[0003]目前，许多研究将癌症个体病人的网络生物标志物作为个体病人疾病判断的依据，并量化病人样本的生物网络标志物来检测癌症发展过程中的关键状态。相关研究已经证明，多模态问题广泛的存在生物医学领域，多模态网络生物标志物的存在，可以为决策者提供更多的选择。
[0004]随着网络科学的发展，单样本网络技术的广泛应用为利用癌症个体患者的高维动态数据在单样本上识别个性化生物标志物提供了有效线索。最近，许多学者提出了用于单样本网络上个性化生物标志物识别的生物信息学工具。根据这些方法的主要特点，可以将它们分为两类：(i)个性化网络生物标志物识别方法，例如基于网络弹性的方法、基...
【技术保护点】
【技术特征摘要】
1.检测癌症个体病人动态网络生物标志物的多模态优化方法，其特征在于：包括以下步骤：(1)从个体病人的基因组数据构建个性化基因交互网络PGIN；(2)设计优化目标函数；(3)利用多模态进化算法寻找个性化动态网络生物标志物集合PDNBs。2.根据权利要求1所述的检测癌症个体病人动态网络生物标志物的多模态优化方法，其特征在于：步骤(1)中，构建癌症个体病人的PGIN的方法为：首先计算肿瘤样本和正常样本中任意两个基因间边的P值，P值基于两个基因的皮尔逊相关系数差的Z分数获得；基因i和j在个体病人k上的皮尔逊相关系数ΔPCC
ij,k
和其Z分数Z
ij,k
可以使用以下公式计算：其中，是基因i和j在n个参考样本上的PCC，代表个体病人k的基因i和j在n+1个参考样本上的PCC；P值可以基于Z
ij,k
的标准正态分布计算出来；当两个基因相互作用的共表达关系在肿瘤样本网络中显着而在正常样本网络中不显着，保留两个基因之间的边缘以构成PGIN，反之亦然；此外，通过将跨癌症类型特定数据的体细胞突变数据整合到PGIN中，计算对PGIN边缘的个性化pPCC进行评分的方法，如下所示：N边缘的个性化pPCC进行评分的方法，如下所示：N边缘的个性化pPCC进行评分的方法，如下所示：其中，co
‑
mutation表示共突变，co
‑
expression表示共表达，表示病人k样本中基因i和j的个性化皮尔逊系数，Jaccard
ij
表示基因i和j的杰卡德系数，表示基因i和j在个体病人k的肿瘤样本中的皮尔逊相关系数，表示基因i和j在个体病人k的正常样本中的皮尔逊相关系数，T(i)和T(j)分别是在检查给定癌症数据集中的体细胞突变后存在突变基因i和基因j的肿瘤的集合，D
10
表示对一组数据进行升序排序后，有10％的数据在D
10
之下。3.根据权利要求2所述的检测癌症个体病人动态网络生物标志物的多模态优化方法，其特征在于：步骤(2)中，优化目标函数为：
其中，n代表PGIN中的基因数量，解X＝(x1,x2,...,x
n
)是二进制值决策变量，如果基因i被选入模块中，则x
i
＝1，否则x
i
＝0；pDE
in
(X)代表PDNB模块内基因间pPCC的标准差；|pPCC
in
(X)|代表PDNB模块内基因间pPCC的平均值的绝对值；|pPCC
out
(X)|代表PDNB模块内基因和模块外基因间pPCC的平均值的绝对值；第一个目标函数的目标是最小化模块中的基因数量，第二个目标函数的目标是使模块的预警信号得分最大化，因为模块的预警信号得分越高，越代表癌症个体患者的关键状态。4.根据权利要求3所述的检测癌症个体病人动态网络生物标志物的多模态优化方法，其特征在于：步骤(3)中，多模态进化算法为：(3.1)通过改进的种群初始化算法将PGIN随机划分成种群大小为N的初始种群P0...
【专利技术属性】
技术研发人员：梁静，李宗玮，郭伟峰，程涵，岳彩通，乔康加，
申请(专利权)人：郑州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。