答辩公告
我的位置在: 首页 > 答辩公告 > 正文
张维预答辩公告
浏览次数:日期:2019-02-25编辑:研究生教务办1

论文题目:癌症演化进程推断及其相关基因识别方法研究

答辩人:张维

指导教师:王树林教授

答辩委员会主席:骆嘉伟教授

学科专业:计算机科学与技术

学院:信息科学与工程学院

答辩地点:软件大楼523

答辩时间:2019225 下午2:30

学位论文简介:

癌症基因组学研究的目标之一是识别所有与癌症相关的基因,并对它们在癌症起始和进程中的贡献做出解释。高通量测序技术的快速发展,产生了大量的癌症基因组数据,为癌症基因组学研究提供了便利。本论文以真实的癌症基因组数据作为研究对象,主要研究工作涉及识别癌症相关基因集和推断癌症演化进程。虽然已经提出了一些方法来识别癌症相关基因集,但是如何将驱动突变与乘客突变分离、检测罕见突变、识别驱动通路以及快速有效的查找关键基因仍然是癌症基因组学中一个具有挑战性的问题。针对已有算法存在的问题和局限性,本文的主要工作可以概括如下:

1. 现有方法需要有关基因或蛋白质相互作用信息来构建基因网络。然而,由于当前人类相互作用组的不完整性,构建的基因网络可能是偏向的。针对这个问题,提出了一种基于图熵的有效算法iKGGE,结合基因表达数据和基因突变数据识别癌症相关关键基因;

2. 癌症驱动基因的识别对于个性化治疗至关重要。为了提高识别癌症驱动突变的准确性,提出了整合多元组学数据识别驱动基因的方法 (iPDG)。整合了匹配癌症样本的DNA拷贝数变异、体细胞突变和基因表达数据。结合上一章的方法找出癌症的“关键基因”,综合考虑其表达水平的改变情况与突变基因影响,再来评价突变基因是否是潜在驱动基因;

3. 为了从基因水平以及通路水平同时推断癌症进程,提出了一个概率图模型 (PGM) 来推断由有向无环图表示的癌症驱动基因突变的时序和选择关系。然后,基于这些驱动基因的突变概率,在给定前一个基因突变发生的情况下,将一个突变与后续突变之间的等待时间建模为突变概率的随机函数,从而得到发生突变在相同时间段的驱动基因;

4. 介绍了一个完整的框架,从体细胞突变数据中识别突变驱动通路和在通路水平推断癌症进程 (iMDPCP)。首先,使用不确定系数来量化驱动基因通路的互斥性,并开发了一个基于自适应离散差分进化算法识别突变驱动通路的计算框架。然后,基于贝叶斯网络建立了驱动通路水平的癌症进程模型

主要学术成果:

[1] Wei Zhang, Shu-Lin Wang. Inference of Cancer Progression with Probabilistic Graphical Model from Cross-sectional Mutation Data. IEEE Access, 2018, 6:22889-22898. (SCI 二区)

[2] Wei Zhang, Shu-Lin Wang. An Integrated Framework for Identifying Mutated Driver Pathway and Cancer Progression. IEEE/ACM Transactions on Computational Biology & Bioinformatics, 2017, 1:1-1. (SCI 三区)

[3] Wei Zhang, Shu-Lin Wang. An Efficient Strategy for Identifying Cancer-related Key Genes based on Graph Entropy. Computational Biology & Chemistry, 2018, 74:142-148. (SCI 四区)

[4] Wei Zhang, Shu-Lin Wang. A Novel Method for Identifying the Potential Cancer Driver Genes based on Molecular Data Integration. Biochemical Genetics. (SCI 四区, Under review)

[5] Chao Pei, Shu-Lin Wang, Jianwen Fang, Wei Zhang. GSMC: Combining Parallel Gibbs Sampling with Maximal Cliques for Hunting DNA Motif. Journal of Computational Biology, 2017, 24(12). (SCI 四区)

[6] Dan Luo, Shu-Lin Wang, Jianwen Fang, Wei Zhang. MIMPFC: Identifying        miRNA-mRNA regulatory modules by combining phase-only correlation and improved rough-fuzzy clustering. J Bioinform Comput Biol, 2017, 16(1):1750028. (SCI 四区)


上一篇:
陈岑答辩公告
下一篇:
丁平尖预答辩公告