模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2016, Vol. 29 Issue (12): 1057-1064    DOI: 10.16451/j.cnki.issn1003-6059.201612001
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
融合生物网络拓扑特性的肿瘤放疗敏感基因信号识别方法*
时明1,2,王红强1,孙婷婷1,谢新平3
1.中国科学院合肥智能机械研究所 生物分子信息系统实验室 合肥230031
2.武汉大学 测绘遥感信息工程国家重点实验室 武汉 430079
3.安徽建筑大学 数理学院 合肥230031
Identification of Radiosensitivity Gene Signatures Based on Transcriptomic Data and Biological Network
SHI Ming1,2, WANG Hongqiang2, SUN Tingting2, XIE Xinping3
1.Machine Intelligence & Computational Biology Laboratory, Institute of Intelligent Machines, Chinese Academy of Sciences, Hefei 230031
2.State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079
3.School of Mathematics and Physics, Anhui Jianzhu University, Hefei 230022

全文: PDF (658 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 肿瘤病人的辐射敏感性预测对于肿瘤的治愈具有重要意义.基于上述原因,文中提出融合生物网络拓扑特性的肿瘤放疗敏感基因信号识别方法.首先基于基因表达谱和肿瘤样本SF2存活率之间的Spearman相关系数,初步估算每个基因的辐射敏感度.然后根据目前已知的基因网络和蛋白质互作网络等生物网络的拓扑性质,利用随机行走算法进行校正.最后筛选辐射敏感基因,并以此为特征训练肿瘤样本SVM分类器.实验表明文中方法比现有常用的线性回归法和微阵列数据显著性分析法更加有效,识别的辐射敏感基因有利于临床肿瘤个性化放疗的施行.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
时明
王红强
孙婷婷
谢新平
关键词 辐射敏感性组学数据生物网络辐射敏感基因    
Abstract:Accurate radiosensitivity prediction of tumor patients is crucial in tumor treatment. In this paper, a method is proposed for predicting tumor radiosensitivity based on high-throughput omics data in combination with biological networks. Firstly, Spearman correlation scores are calculated between gene expression profiles and tumor cell survival fraction at 2 Gy (SF2). Then, these scores are refined based on random walk theory by the topology of prior biological networks, such as gene networks or protein-to-protein interaction networks. Finally, highly significant radiosensitivity genes are screened out as feature variables to learn support vector machine(SVM) classifiers for predicting radiosensitivity of tumor patients. Experimental results on real-world microarrays datasets demonstrate the effectiveness of the proposed algorithm.
Key wordsRadiosensitivity    Omics Data    Biological Network    Radiosensitive Gene Signature   
收稿日期: 2016-04-04     
ZTFLH: TP 391  
基金资助:国家自然科学基金项目(No.61402010,61374181)、安徽省自然科学基金项目(No.1408085MF133)资助
作者简介: 时 明,男,1988年生,博士研究生,主要研究方向为生物信息学、模式识别.E-mail:hsdshilin@163.com.王红强,男,1977年生,博士,研究员,主要研究方向为生物信息学、模式识别.E-mail:hqwang@ustc.edu.孙婷婷,女,1990年生,硕士研究生,主要研究方向为生物信息学、模式识别.E-mail:stt@163.com.谢新平(通讯作者),女,1979年生,硕士,讲师,主要研究方向为应用数学、生物信息学.E-mail:592745039@qq.com.
引用本文:   
时明,王红强,孙婷婷,谢新平. 融合生物网络拓扑特性的肿瘤放疗敏感基因信号识别方法*[J]. 模式识别与人工智能, 2016, 29(12): 1057-1064. SHI Ming, WANG Hongqiang, SUN Tingting, XIE Xinping. Identification of Radiosensitivity Gene Signatures Based on Transcriptomic Data and Biological Network. , 2016, 29(12): 1057-1064.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201612001      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2016/V29/I12/1057
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn