[发明专利]基于多组学与临床数据的统计分析方法、系统和存储介质

说明书

本发明公开了一种基于多组学与临床数据的统计分析方法、系统和存储介质，其中方法包括以下步骤：读取CSV数据；对所述CSV数据中的缺失值进行填补，对所述CSV数据行特征缩放，使不同量纲的特征处于同一数值量级；采用预设方法对所述CSV数据中的单因素和多因素进行特征筛选；对进行特征筛选后的所述CSV数据进行聚类，获得分子亚型的分类；根据所述分子亚型的分类进行生存分析，获得生存分析结果。本发明通过对数据预处理、特征筛选、将筛选后的特征进行聚类、将聚类后的结果作为数据的真实标签进行生存分析，实现一个完备的多组学数据融合流程，从而实现肿瘤患者全面的分子分型，可广泛应用于生物信息学的多组学信息领域。

技术领域

本发明涉及生物信息学的多组学信息领域，尤其涉及一种基于多组学与临床数据的统计分析方法、系统和存储介质。

背景技术

整合定义为不同的组学数据(多组学)结合的过程，其中，组学数据包括基因组学定义的突变，转录组学确定的mRNA水平，蛋白质组学确定的蛋白质丰度和类型，以及表观基因组确定的甲基化图谱，代谢组学确定的代谢产物水平，元数据(如临床结果)，组织学概况以及一系列数字成像分析等许多方面，相较于单个孤立的组学，整合的数据可提供具有更高信息能力的全局图。组学数据整合最前沿的领域之一是癌症生物学：在这里，数据整合的实施允许进行例如肿瘤分类以及随后的侵袭性和结果预测，从而支持选择个性化治疗。

而在癌症生物学中，癌症基因组数据整合的相关研究最值得关注，因为癌症基因组具有大量的躯体获得性畸变。这些畸变会导致基因组不稳定，DNA中的基因组失调和扩增，mRNA的过表达以及基因产物的改变。此外，癌症基因组的异质性表现出不同个体之间在不同癌症类型中发生的各种生物学过程和表型。

近年来，许多大规模的癌症基因组项目逐渐聚集了各种各样的基因组规模的数据，以便使用高分辨率的下一代测序平台发现生物学和生物医学知识。例如，癌症基因组图谱(TCGA)项目揭示了近10,000个癌症患者样品的大量表观基因组，基因组和转录组信息的遗传图景。因此，这是一个很好的机会，可以充分利用这些基因组规模的数据来发现可能的癌症亚型，从而推进诊断，预后和治疗策略。但是，融合大量基因组数据源有两个挑战。首先，高维数据通常具有不可避免的特征，即样本量远小于基因量。因此，很难使用常规的确定性方法来分析这些数据集。