胃癌的分子标记的整合的转录组和计算分析

Cui J, Chen Y, Chou W C, et al. An integrated transcriptomic and computational analysis for biomarker identification in gastric cancer[J]. Nucleic acids research, 2010: gkq960.

材料：

160份材料来自52分男性，25份女性和3分缺失，均有癌症组织和癌旁组织。

考查数据：

随肿瘤分歧趋势变化的基因；胃癌中关键信号通路；胃癌和癌旁的差异全景

标志物筛选：

REF-SVM基于支持向量机的递归特征消除，28个基因的组合准确率最高：肿瘤95.9%,癌旁97.9%。

***预测136个基因的产物会分泌到血液中，找到18个可能的marker。（也是基于自建模型的预测）

筛选关键基因：1 基因功能——生物过程；2 基因功能——分子功能；3基因功能——细胞组分；4信号通路

筛选关键通路

随肿瘤分期趋势变化的基因

胃癌中关键信号通路

胃癌vs癌旁的差异全景

胃癌的中的性别差异

*支持向量机：“机（machine，机器）”实际上是一个算法。在机器学习领域，常把一些算法看 作是一个机器（又叫学习机器，或预测函数，或学习函数）。“支持向量”则是指训练集中的某些训练点的输入 xi 。它是一种有监督（有导师）学习方法，即已知训练点的类别，求训练点和类别之间的对应关系，以便将训练集按照类别分开，或者是预测新的训练点所对应的类 别。