一种基于深度学习技术的肺癌亚型基因表达分类方法技术

本发明专利技术提供了一种基于深度学习技术的肺癌亚型基因表达分类方法，使用DEseq2方法进行基因差异表达分析，并采用辅助代码进行特征选择，随后利用改进的深度学习WGANs模型进行样本扩充，最后采用一维卷积神经网络进行预测。包括如下步骤：步骤1：获取肺癌基因表达数据并进行预处理，包括数据清洗、归一化等操作；步骤2：利用DEseq2方法进行基因差异表达分析，识别出与肺癌亚型相关的差异基因；步骤3：借助辅助代码进行特征选择，筛选出最具代表性和区分性的基因特征；步骤4：采用改进的深度学习WGANs模型对样本进行扩充，生成具有多样性的新样本数据；步骤5：利用一维卷积神经网络对提取的特征进行模型训练，并进行亚型分类预测。应用本技术方案可广泛应用于基因表达分析领域，为肺癌的分类诊断和个性化治疗提供了重要的支持。

【技术实现步骤摘要】

本专利技术涉及基因表达分析领域，特别是在肺癌分类诊断方面的应用。

技术介绍

1、肺癌是一种恶性肿瘤，其起源于肺部组织中的异常细胞增生，并可能向周围组织和远处器官转移。作为全球范围内主要的癌症死亡原因之一，肺癌常常被称为“沉默的杀手”，因其早期症状不明显，往往在晚期才被发现。主要的肺癌类型包括非小细胞肺癌(nsclc)和小细胞肺癌(sclc)，其中非小细胞肺癌占据了肺癌的大多数病例。肺癌的发病原因与吸烟、环境污染、遗传因素以及职业暴露等因素密切相关。尽管在肺癌的诊断和治疗方面取得了一些进展，但其治愈率仍然较低，这主要是由于肺癌的复杂性、异质性和高度侵袭性。因此，研究肺癌的发病机制、早期诊断方法以及个性化治疗策略具有重要的临床意义。

2、肺癌的诊断手段主要包括临床检查、影像学检查和组织学检查。临床检查包括病史询问、体格检查和实验室检查，能够初步了解患者的症状和体征。影像学检查如x线胸片、ct扫描、mri和pet-ct等能够提供肺部结构和病变的详细信息。组织学检查通过活检或细胞学检查获取肺部组织或细胞样本，进一步确定是否存在癌变细胞以及肿瘤的类型和分本文档来自技高网...

【技术保护点】

1.一种基于深度学习技术的肺癌亚型基因表达分类方法，其特征在于，包括以下步骤：

2.依权利要求书1所述的一种基于深度学习技术的肺癌亚型基因表达分类方法，其特征在于，所述步骤1中，数据集涉及肺胰癌、鳞状细胞癌以及正常样本三种亚型。在预处理阶段，数据清洗包括处理缺失值、异常值和噪声数据，以确保数据的完整性和准确性。同时，数据转换阶段针对不同亚型的基因表达数据采用适当的转换方法，包括归一化与标准化，以使数据能够更好地适应后续的深度学习模型训练需求。

3.依权利要求书1所述的一种基于深度学习技术的肺癌亚型基因表达分类方法，其特征在于，所述步骤2中，利用DEseq2方法识别...

【技术特征摘要】

1.一种基于深度学习技术的肺癌亚型基因表达分类方法，其特征在于，包括以下步骤：

2.依权利要求书1所述的一种基于深度学习技术的肺癌亚型基因表达分类方法，其特征在于，所述步骤1中，数据集涉及肺胰癌、鳞状细胞癌以及正常样本三种亚型。在预处理阶段，数据清洗包括处理缺失值、异常值和噪声数据，以确保数据的完整性和准确性。同时，数据转换阶段针对不同亚型的基因表达数据采用适当的转换方法，包括归一化与标准化，以使数据能够更好地适应后续的深度学习模型训练需求。

3.依权利要求书1所述的一种基于深度学习技术的肺癌亚型基因表达分类方法，其特征在于，所述步骤2中，利用deseq2方法识别肺胰癌和鳞状细胞癌与正常样本之间的交叉差异基因。具体而言，deseq2方法将基因表达数据进行差异分析，并根据预先设定的阈值(阈值设置为4)筛选出具有显著差异表达的基因。这一过程得到三个独立的差异分析结果，分别反映了肺胰癌与正常样本之间的差异基因、鳞状细胞癌与正常样本之间的差异基因以及肺胰癌与鳞状细胞癌之间的差异基因。

4.依权利要求书1所述的一种基于深度学习技术的肺癌亚型基因表达分类方法，其特征在于，所述步骤3中，辅助代码首先对步骤2中得到的差异分...

【专利技术属性】
技术研发人员：詹思瑜，喻浩，刘爽，郭璐，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：