面向肿瘤起源位点预测的DNA甲基化数据不确定性模型研究

Cancer of unknown primary origin (CUP) is one of the ten frequent cancers, and it is a seriouly problem to human being. If the tumor origin is detected accurately, the life of these unfortunate patients can be prolonged. However, it is difficult for existing biochemistry methods to detect the primary site. Then the detection tumor origin by sequence analysis has become the mainstream. For example, the DNA methylation marker can reflect the development degree of tumor, and at the same time the missing data of DNA methylation marker make the problem more complex. Thus, our study focuses on the problem of fixing the dataset by building uncertain DNA methylation data model. First, the redundancy features are removed by a multi-layer feature selection model. Second, the uncertain model is built by the estimation of possible values and probability distribution function. Then, the distance is learnt based on the idea of large margin, which the similarity between DNA methylation markers can be measured precisely for improving the accuracy of detection of tumor origin. Above all, the study is meaningful for theoretical research on uncertain data model, and it is also helpful for the detection of the primary site of tumor in real applications.

未知起源的转移癌(CUP)是十大频发癌症之一，并且严重威胁人类的生命，精确预测其原发位置能够延长这类患者的生命，但是，目前的生物化学方法很难预测其原发位置，因此，采用序列分析的方法预测肿瘤起源位点已成为主流趋势。其中，DNA甲基化数据能够反映肿瘤的发展程度，但其数据缺失的问题增加了预测分析的难度。针对以上情况，本课题研究了补齐缺失数据的DNA甲基化不确定数据模型，以达到提高预测肿瘤原始位点精度的目的。本课题首先通过多层次特征选择方法去掉大量的冗余特征，然后，通过可能值估计和概率分布函数预测构建不确定数据模型，再次，根据大间隔距离思想学习不确定数据的距离度量方法，以便准确比较DNA甲基化数据的相似度，从而提高肿瘤起源位点预测的精度。该课题在理论上研究了不确定数据的建模问题，在实际应用中用于肿瘤起源位置预测，本课题的研究在实际和理论方面都有现实意义。

未知起源的转移癌(CUP)是十大频发癌症之一且严重威胁人类的生命，精确预测其原发位置能够延长这类患者的生命，目前的生物化学方法很难预测其原发位置，本项目采用了序列分析的方法预测肿瘤起源位点。针对序列分析中存在的DNA甲基化数据缺失问题，本项目提出了补齐缺失数据的DNA甲基化不确定数据模型，以减少数据缺失对预测准确率造成的影响，从而达到提高预测肿瘤原始位点精度的目的。本项目的研究内容主要包括：（1）多层次特征选择方法去掉大量的冗余特征，（2）可能值估计和概率分布函数预测构建不确定数据模型，（3）根据大间隔混合距离思想度量不确定数据的差异，以便准确比较DNA甲基化数据之间的相似度，从而提高肿瘤起源位点预测的精度。通过实验表明，考虑数据不确定性的肿瘤起源位点预测结果较确定模型下的分析效果提高了12.3%，同时我们也将该模型应用于UCI数据集分析，其准确率都较确定模型有所提升，准确率性能平均提升24%；另一方面，不确定数据通常由成百上千个样本组成，其表示模型复杂于确定数据，因此，存在距离计算的瓶颈，本项目使用混合平方距离期望简化不确定数据的距离计算的复杂度，在不影响预测结果的前提下提高了数据分析的效率，使距离计算的效率达到了接近确定数据模型的水平。本课题的研究成果发表SCI论文15篇，获得专利授权1项。该课题在理论上研究了不确定数据的建模问题，并将不确定数据的聚类及分类问题分析模型应用于肿瘤起源位点预测，本课题的研究在实际和理论方面都有现实意义。