基于稀疏约束多模态数据整合的肝癌标识物预测方法研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61772370
  • 项目类别：
    面上项目
  • 资助金额：
    64.0万
  • 负责人：
    邓素平
  • 依托单位：
    同济大学
  • 学科分类：
    F0213.生物信息计算与数字健康
  • 结题年份：
    2021
  • 批准年份：
    2017
  • 项目状态：
    已结题
  • 起止时间：
    2018-01-01 至2021-12-31

项目摘要

Liver cancer is the third most common malignant tumor, and there is an urgent need for its early detection, diagnosis and treatment. Recently, heterogeneous data generated from genomics, transcriptomics, proteomics and clinical imaging has increased exponentially. Based on these high-throughput data, we will develop methods that can not only integrate different data but also provide biological explanations, to uncover the biological mechanisms and interactions between functional layers of liver cancer more accurately. These methods can be used to describe and predict biological functions, phenotypes and behaviors in the life process related to liver cancer, and discover cancer biomarkers. In this project, we will develop integration methods of multi-group data from following three aspects: (1) explore the correlations between multi-omics data based on sparse typical association analysis; (2) construct biomacromolecule interaction networks based on sparse graph model and use network integration methods to construct synthetic biology network; (3) discover the hidden components of high-dimensional multi-group data based on sparse nonnegative tensor decomposition to establish the relationships between these data. Then we develop software platform for above three methods to analyze multi-group data of liver cancer and explore cancer biomarkers, thus provide theoretical support for further accurate diagnosis and treatment of liver cancer.
肝癌是我国第三大常见恶性肿瘤，它的早期发现、诊断和治疗刻不容缓。当今，基因组、转录组、蛋白质组及各种临床影像等异质多模态数据呈指数级增长，在这种高通量数据背景下,为了更准确地揭示肝癌发病时的生物学机制及各功能层之间的相互作用,我们拟开发整合各种模态数据同时给出生物学解释的方法,从而可以描述和预测肝癌相关生命过程的生物学功能、生物体表型和行为，发现肝癌相关标识物。本课题将主要从以下三个方面建立多模态数据整合方法：（1）基于稀疏典型关联分析探索不同组学数据之间的关联性；（2）基于稀疏图模型建立生物大分子相互作用网络，并用网络整合方法构建综合生物学网络；（3）基于稀疏非负张量分解发现高维多模态数据的隐含成分以建立不同模态数据之间的相互关系。并开发基于上述三种整合方法的软件平台，分析肝癌多模态数据，探索肝癌标识物，进一步为肝癌的精准诊断和治疗提供理论支持。

结项摘要

我国肝癌的发病率，死亡率高居高不下。为了更好的治疗它，更早的发现、诊断是必要的。而此时各种高通量组学数据的爆发式增长,为了我们提供了这种可能性。因此，我们拟开发整合各种模态数据同时给出生物学解释的方法,从而可以描述和预测癌症相关生命过程的生物学功能、生物体表型和行为，发现肝癌相关标识物。本课题将主要从以下四个方面建立多模态数据整合方法：.（1）基于张量分解模型，我们提出了LSUE方法中，我们将不同的细胞类型、转录因子和基因组位置直接投影到欧式空间，使其相互作用关系可以直接通过几何运算完成，通过逐对相互作用张量被融合在一起。.（2）基于凸优化和结构稀疏理论，我们提出了提出一种网络驱动的从DNA甲基化位点到基因，再从基因到疾病的关联映射方法；.（3）将弱监督学习和支持向量机进行结合来挖掘潜在的模体;.（4）基于深度学习方法，我们将RNA结构数据和DNA形状数据应用于模体挖掘任务中，例如iCapsule方法，该方法同时使用了RNA序列特征和RNA结构特征. 项目组已在IEEE/ACM transactions on computational biology and bioinformatics、 PloS One、IEEE transactions on nanobioscience等国际期刊和本领域重要的国际会议（ICIC等）上发表论文46篇，其中期刊发表论文28篇，会议论文18篇。

项目成果

期刊论文数量（19）
专著数量（0）
科研奖励数量（0）
会议论文数量（12）
专利数量（0）
Person Reidentification by Multiscale Feature Representation Learning With Random Batch Feature Mask
通过随机批量特征掩模的多尺度特征表示学习进行人员重新识别
  • DOI：
    10.1109/tcds.2020.3003674
  • 发表时间：
    2021-12-01
  • 期刊：
    IEEE TRANSACTIONS ON COGNITIVE AND DEVELOPMENTAL SYSTEMS
  • 影响因子：
    5
  • 作者：
    Wu, Yong;Zhang, Kun;Huang, De-Shuang
  • 通讯作者：
    Huang, De-Shuang
A Deep Learning Model for RNA-Protein Binding Preference Prediction Based on Hierarchical LSTM and Attention Network
基于分层 LSTM 和注意力网络的 RNA-蛋白质结合偏好预测深度学习模型
  • DOI：
    10.1109/tcbb.2020.3007544
  • 发表时间：
    2022-03-01
  • 期刊：
    IEEE-ACM TRANSACTIONS ON COMPUTATIONAL BIOLOGY AND BIOINFORMATICS
  • 影响因子：
    4.5
  • 作者：
    Shen, Zhen;Zhang, Qinhu;Huang, De-Shuang
  • 通讯作者：
    Huang, De-Shuang
Special issue on advanced intelligent computing: Theory and applications
先进智能计算特刊：理论与应用
  • DOI：
    10.1016/j.neucom.2020.03.099
  • 发表时间：
    2020
  • 期刊：
    Neurocomputing
  • 影响因子：
    6
  • 作者：
    Huang De-Shuang
  • 通讯作者：
    Huang De-Shuang
Omnidirectional Feature Learning for Person Re-Identification
用于行人重识别的全方位特征学习
  • DOI：
    10.1109/access.2019.2901764
  • 发表时间：
    2019
  • 期刊：
    IEEE Access
  • 影响因子：
    3.9
  • 作者：
    Wu Di;Yang Hong-Wei;Huang De-Shuang;Yuan Chang-An;Qin Xiao;Zhao Yang;Zhao Xin-Yong;Sun Jian-Hong
  • 通讯作者：
    Sun Jian-Hong
A survey of teaching-learning-based optimization
基于教与学的优化研究
  • DOI：
    10.1016/j.neucom.2018.06.076
  • 发表时间：
    2019
  • 期刊：
    Neurocomputing
  • 影响因子：
    6
  • 作者：
    Zou Feng;Chen Debao;Xu Qingzheng
  • 通讯作者：
    Xu Qingzheng

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

Integrating Imaging Genomic Data in the Quest for Biomarkers for Schizophrenia Disease
整合成像基因组数据寻找精神分裂症疾病的生物标志物
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    IEEE/ACM Transactions on Computational Biology and Bioinformatics
  • 影响因子：
    --
  • 作者：
    邓素平
  • 通讯作者：
    邓素平

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

邓素平的其他基金

组织特异性蛋白质互作网络功能模块的多尺度分析方法研究
  • 批准号：
    61572364
  • 批准年份：
    2015
  • 资助金额：
    16.0 万元
  • 项目类别：
    面上项目
基于提升小波与稀疏编码对肝癌相关蛋白质相互作用网络的构建与分析
  • 批准号：
    61303111
  • 批准年份：
    2013
  • 资助金额：
    20.0 万元
  • 项目类别：
    青年科学基金项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码