摘要目的基于基因组学的数据，通过机器学习，构建胃癌相关甲基化预测模型。方法下载TCGA（The Cancer Genome Atlas）数据库中胃癌基因突变数据、基因表达数据和甲基化芯片数据，进行特征选择，构建支持向量机（径向基核函数）、随机森林和误差反向传播（error back propagation，BP）神经网络模型，并在新的数据集中进行模型的验证。结果在3个模型中BP神经网络的检验效能最高（F1 值=0.89，Kappa=0.66，受试者工作特征曲线下面积=0.93）。结论BP神经网络能够充分利用分子检测的基因组数据进行机器学习，可以用于胃癌相关甲基化预测。
/
1
摘要目的基于基因组学的数据，通过机器学习，构建胃癌相关甲基化预测模型。方法下载TCGA（The Cancer Genome Atlas）数据库中胃癌基因突变数据、基因表达数据和甲基化芯片数据，进行特征选择，构建支持向量机（径向基核函数）、随机森林和误差反向传播（error back propagation，BP）神经网络模型，并在新的数据集中进行模型的验证。结果在3个模型中BP神经网络的检验效能最高（F1 值=0.89，Kappa=0.66，受试者工作特征曲线下面积=0.93）。结论BP神经网络能够充分利用分子检测的基因组数据进行机器学习，可以用于胃癌相关甲基化预测。
