背景与目的神经母细胞瘤(neuroblastoma,NB)是一种异质性疾病,伴有基因组畸变,且临床表现呈多样性。虽然我们对遗传畸变与临床特征之间的关系已有所了解,但对患者的预后预测和制订个体化治疗策略仍是挑战。本研究旨在建立一种有效的NB患者预后预测模型。方法我们整合了多种不同算法定义基因特征,反映MYCN活性和染色体畸变,包括染色体1p缺失(deletion of chromosome1p,Chr1p_del)、染色体11q缺失(deletion of chromosome 11q,Chr11q_del)以及染色体11q全部丢失(whole loss of chromosome 11q,Chr11q_wls)。我们评估了由RNA测序和微阵列平台产生的7个NB基因表达数据集(样本量从94到498,共2120)中这些基因特征的预后预测价值。结果MYCN活性评分是比MYCN扩增状态和表达更有效的预后标志物。同样,Chr1p_del评分是比Chr1p状态更好的预后标志物。MYCN、Chr1p_del和Chr11q_del的活性评分与预后不良相关,而Chr11q_wls评分与预后良好相关。我们整合MYCN、Chr1p_del、Chr11q_del和Chr11q_wls评分以及临床变量建立综合预测模型,该模型对NB预后预测效果比单独应用临床变量或每个基因组畸变更佳。结论加入了基因特征的预后预测模型显著提高了预测效果,可作为对NB患者进行分层以评估预后的生物标志物。
基于带错误学习问题(Learning With Errors,LWE)构造的密码体制能够抵御量子攻击,它的应用效率与LWE问题的采样过程密切相关.而在LWE问题采样中,对其中的错误因子(Error Factor)采样占采样过程绝大部分时间,本文对LWE问题中的错误因子...
详细信息
基于带错误学习问题(Learning With Errors,LWE)构造的密码体制能够抵御量子攻击,它的应用效率与LWE问题的采样过程密切相关.而在LWE问题采样中,对其中的错误因子(Error Factor)采样占采样过程绝大部分时间,本文对LWE问题中的错误因子的采样算法进行研究,将在高斯分布上效率较高的金字塔(Ziggurat)采样算法,应用到了一种高效的LWE问题采样算法中.基于在连续域上的采样比离散域上采样效率高的思路,对LWE问题采样算法在离散域上采样的过程进行了优化,提出了一种将连续域上的采样结果进行取整的方法,.对优化前后的两种LWE问题的采样算法进行了对比实验,结果表明:改进后的算法在不占用大量内存并且保证安全性的情况下,将采样速度提高了38%~200%.
暂无评论