在全球范围内，癌症仍然是人类健康的重大威胁之一。随着基因组学与大数据技术的发展，癌症研究已进入数据驱动的新阶段。在这一背景下，基因表达数据分析成为研究癌症发生机制和发展精准医疗的重要手段之一。数据驱动的方法能够从复杂的基因组数据中提取出关键信息，提示癌症不同亚型的差异，预测患者的预后，为个性化治疗提供支持。 本书旨在梳理作者近十年来在癌症基因表达数据分析方面的研究工作。为从事相关领域的研究人员和从业者提供参考。

第一部分 自底向上的联合协变量检测方法
第1章 联合协变量的差异表达分析方法
1.1 联合协变量方法的理论基础
1.2 联合协变量的特征选择方法
1.3 联合协变量的特征选择应用
1.4 小结
第2章 联合协变量的差异表达分析工具
2.1 联合协变量检测的技术背景
2.2 联合协变量检测的技术实现
2.3 联合协变量检测工具的应用
2.4 小结
第3章 联合协变量的预后生存分析方法
3.1 预后生存分析的理论基础
3.2 联合协变量的预后生存分析方法
3.3 联合协变量的预后生存分析应用
3.4 小结
第4章 联合协变量的预后生存分析工具
4.1 预后生存分析的技术背景
4.2 预后生存分析的技术实现
4.3 预后生存分析工具的应用
4.4 小结
第二部分 自顶向下的联合协变量检测方法
第5章 异质集成分类差异表达分析方法
5.1 异质集成分类方法的理论基础
5.2 异质集成分类的特征选择方法
5.3 异质集成分类的特征选择应用
5.4 小结
第6章 异质集成分类差异表达分析工具
6.1 异质集成分类方法的技术背景
6.2 异质集成分类方法的技术实现
6.3 异质集成分类方法的技术应用
6.4 小结
第7章 异质集成回归的预后生存分析方法
7.1 异质集成回归方法的理论基础
7.2 异质集成回归的特征选择方法
7.3 异质集成回归的特征选择应用
7.4 小结
第8章 自顶向下的预后生存分析工具
8.1 自顶向下预后生存分析方法的技术背景
8.2 自顶向下预后生存分析方法的技术实现
8.3 自顶向下预后生存分析方法的技术应用
8.4 小结
第9章 联合特征选择的预后生存分析方法
9.1 联合特征选择方法的理论基础
9.2 联合自顶向下的特征选择和自底向上的特征枚举
9.3 联合特征选择方法的应用
9.4 小结
第三部分 基于密度聚类的变量选择方法
第10章 基于密度降序的聚类算法
10.1 基于密度降序聚类的研究背景
10.2 基于密度降序聚类的理论基础
10.3 基于密度降序聚类的算法实现
10.4 基于密度降序聚类的应用
10.5 小结
参考文献