为了提升入侵检测的准确率,鉴于自编码器在学习特征方面的优势以及残差网络在构建深层模型方面的成熟应用,提出一种基于特征降维的改进残差网络入侵检测模型(improved residual network intrusion detection model based on feature dim...为了提升入侵检测的准确率,鉴于自编码器在学习特征方面的优势以及残差网络在构建深层模型方面的成熟应用,提出一种基于特征降维的改进残差网络入侵检测模型(improved residual network intrusion detection model based on feature dimensionality reduction,IRFD),进而缓解传统机器学习入侵检测模型的低准确率问题。IRFD采用堆叠降噪稀疏自编码器策略对数据进行降维,从而提取有效特征。利用卷积注意力机制对残差网络进行改进,构建能提取关键特征的分类网络,并利用两个典型的入侵检测数据集验证IRFD的检测性能。实验结果表明,IRFD在数据集UNSW-NB15和CICIDS 2017上的准确率均达到99%以上,且F1-score分别为99.5%和99.7%。与基线模型相比,提出的IRFD在准确率、精确率和F1-score性能上均有较大提升。展开更多
目的:探究膀胱癌中N6-甲基腺苷(N6-methyladenosine,m6A)相关长非编码RNA(long non-coding RNA,lncRNA)及其与患者预后的关系。方法:通过癌症基因组图谱(the cancer genome Atlas,TCGA)数据库获取转录、突变和临床数据,获得m6A相关的lnc...目的:探究膀胱癌中N6-甲基腺苷(N6-methyladenosine,m6A)相关长非编码RNA(long non-coding RNA,lncRNA)及其与患者预后的关系。方法:通过癌症基因组图谱(the cancer genome Atlas,TCGA)数据库获取转录、突变和临床数据,获得m6A相关的lncRNA表达数据,采用共表达网络分析、Cox回归分析和最小绝对收缩和选择算法(least absolute shrinkage and se-lection operator,LASSO)回归分析鉴定与m6A相关的lncRNA,并构建风险预后模型和对其进行验证。然后,本研究还构建了列线图来预测膀胱癌患者的预后。通过基因本体(gene ontology,GO)、京都基因与基因组百科全书(kyoto encyclopedia of genes and genomes,KEGG)研究生物学功能的差异。使用ESTIMATE算法计算基质、免疫评分。采用单样本基因集富集分析(single sample gene set enrichment analysis,ssGSEA)算法定量分析免疫细胞浸润和免疫功能。采用oncoPredict算法预测潜在治疗药物。结果:本课题组确定了1739个m6A相关lncRNA,其中14个与预后相关。再通过LASSO回归分析筛选了5个m6A相关的lncRNA(GRK5-IT1、AC008883.2、AC145207.5、AC103746.1、AC104564.3)来构建预后预测模型。Kaplan-Meier和受试者工作特征曲线(receiver operating characteristic,ROC)曲线显示,该特征在训练集、验证集和全集中具有良好的预测能力。与其他临床特征相比,m6A相关lncRNA模型具有更高的诊断效率。免疫细胞浸润和ssGSEA分析进一步证实,特征lncRNA与膀胱癌患者的免疫状态显著相关。此外,高风险组对多种药物的治疗反应与低风险组存在显著差异。结论:5个m6A相关的特征ln-cRNA可能有助于评估膀胱癌患者的预后和免疫特征,并指导个性化治疗方案的制定。展开更多
文摘为了提升入侵检测的准确率,鉴于自编码器在学习特征方面的优势以及残差网络在构建深层模型方面的成熟应用,提出一种基于特征降维的改进残差网络入侵检测模型(improved residual network intrusion detection model based on feature dimensionality reduction,IRFD),进而缓解传统机器学习入侵检测模型的低准确率问题。IRFD采用堆叠降噪稀疏自编码器策略对数据进行降维,从而提取有效特征。利用卷积注意力机制对残差网络进行改进,构建能提取关键特征的分类网络,并利用两个典型的入侵检测数据集验证IRFD的检测性能。实验结果表明,IRFD在数据集UNSW-NB15和CICIDS 2017上的准确率均达到99%以上,且F1-score分别为99.5%和99.7%。与基线模型相比,提出的IRFD在准确率、精确率和F1-score性能上均有较大提升。
文摘目的:探究膀胱癌中N6-甲基腺苷(N6-methyladenosine,m6A)相关长非编码RNA(long non-coding RNA,lncRNA)及其与患者预后的关系。方法:通过癌症基因组图谱(the cancer genome Atlas,TCGA)数据库获取转录、突变和临床数据,获得m6A相关的lncRNA表达数据,采用共表达网络分析、Cox回归分析和最小绝对收缩和选择算法(least absolute shrinkage and se-lection operator,LASSO)回归分析鉴定与m6A相关的lncRNA,并构建风险预后模型和对其进行验证。然后,本研究还构建了列线图来预测膀胱癌患者的预后。通过基因本体(gene ontology,GO)、京都基因与基因组百科全书(kyoto encyclopedia of genes and genomes,KEGG)研究生物学功能的差异。使用ESTIMATE算法计算基质、免疫评分。采用单样本基因集富集分析(single sample gene set enrichment analysis,ssGSEA)算法定量分析免疫细胞浸润和免疫功能。采用oncoPredict算法预测潜在治疗药物。结果:本课题组确定了1739个m6A相关lncRNA,其中14个与预后相关。再通过LASSO回归分析筛选了5个m6A相关的lncRNA(GRK5-IT1、AC008883.2、AC145207.5、AC103746.1、AC104564.3)来构建预后预测模型。Kaplan-Meier和受试者工作特征曲线(receiver operating characteristic,ROC)曲线显示,该特征在训练集、验证集和全集中具有良好的预测能力。与其他临床特征相比,m6A相关lncRNA模型具有更高的诊断效率。免疫细胞浸润和ssGSEA分析进一步证实,特征lncRNA与膀胱癌患者的免疫状态显著相关。此外,高风险组对多种药物的治疗反应与低风险组存在显著差异。结论:5个m6A相关的特征ln-cRNA可能有助于评估膀胱癌患者的预后和免疫特征,并指导个性化治疗方案的制定。
