[发明专利]一种基于RNA测序的癌症溯源方法

说明书

本发明公开了一种基于RNA测序的癌症溯源方法，包括以下步骤：S1、获取癌症数据中的TCGAFRESH数据、TCGAFFPE数据和TCGAMETASTATIC数据，并对癌症数据进行预处理；S2、基于transformer模型搭建癌症溯源网络模型；S3、采用预处理后的TCGAFRESH数据，对癌症溯源网络模型进行训练，得到训练后的癌症溯源网络模型；S4、将预处理后的TCGAFFPE数据和TCGA METASTATIC数据作为测试数据，将两个测试数据集分别送入训练后的癌症溯源网络模型中，对癌症进行分类溯源；本发明将transformer模型应用到了两万维RNA测序数据上，且可以使用所有的基因作为输入，不会存在基因筛选导致的丢失原始基因信息的问题，可有效提高癌症溯源分类的精确度。

技术领域

本发明涉及肿瘤溯源技术领域，具体涉及一种基于RNA测序的癌症溯源方法。

背景技术

不明原发性癌症(Cancerofunknownprimary,CUP)是一种转移性肿瘤，是指尽管进行了标准的诊断检查，但仍然无法找到原发部位的一种疾病。如果不能准确了解患者的原发癌症部位，就不能对患者采取针对性的治疗方法，导致患者不能得到有效的治疗，让患者处于不利地位。所以，准确识别出癌症的原发部位对于患者的治疗是至关重要的。

目前，各种癌症溯源的方法所采用的数据种类有很多，比如基因表达数据、DNA甲基化数据等等。其中，基于RNA测序数据的方法主要有SCOPE、CUP-AI-Dx、TOD-CUP等等。由于RNA测序数据达到了上万维，这种具有高维特征的特性使得设计合适的机器学习方法变得困难。现有的多种机器学习方法存在模型简单或丢失原始基因信息的问题，比如SCOPE使用简单的全连接网络来预测癌症类别，而简单的全连接网络可能无法有效地捕获基因之间的相互作用关系，这在一定程度上会影响分类性能。CUP-AI-Dx将卷积模块引入到了网络中，在网络设计上具有一定的创新，但是CUP-AI-Dx并不是使用了所有基因，而是提前进行了筛选，这种方法会导致一定程度上丢失原始的基因信息，影响分类性能。因此，为了进一步提升癌症分类的精确度，可以采用更强大的网络结构以有效捕获基因间的相互作用关系，同时使用所有的基因，避免基因筛选带来的丢失原始基因信息的问题。

发明内容

本发明的目的在于提供一种基于RNA测序的癌症溯源方法。

为实现上述目的，本发明采用以下技术方案：

一种基于RNA测序的癌症溯源方法，包括以下步骤：

S1、获取癌症数据中的TCGAFRESH数据、TCGAFFPE数据和TCGA METASTATIC数据，并对癌症数据进行预处理；

S2、基于transformer模型搭建癌症溯源网络模型；

S3、采用预处理后的TCGAFRESH数据，对癌症溯源网络模型进行训练，得到训练后的癌症溯源网络模型；

S4、将预处理后的TCGAFFPE数据和TCGAMETASTATIC数据作为测试数据，将两个测试数据集分别送入训练后的癌症溯源网络模型中，对癌症进行分类溯源。

优选地，步骤S1的具体过程为：

S11、从肿瘤基因组图谱TCGA中，获取TCGAFRESH数据、TCGAFFPE数据和TCGAMETASTATIC数据，癌症类型一共为32种；其中，TCGAFRESH数据和TCGAFFPE数据采样来自原发灶，TCGAMETASTATIC数据采样来自转移灶，三种数据的格式都为FPKM；

S12、对于每个基因g，如果有一半以上的样本的基因g的表达值为0，则将该基因g删除；再对处理后的所有样本的基因数据进行log转换，具体操作为log(t+1)，得到转换后的数据，其中t为基因g的表达值；

S13、对每个癌型分配一个标签，一共有32种癌型，标签数从0到31，每个癌型对应一个数字标签；