機(jī)器學(xué)習(xí)算法在肺腺癌患者吸煙史分類中的應(yīng)用.pdf

1、機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)算法在算法在肺腺癌肺腺癌患者患者吸煙吸煙史分類分類中的應(yīng)用的應(yīng)用ApplicationofMachineLearninginSmokingRelatedPatternRecognitionfLungAdenocarcinomas學(xué)科專業(yè)：化學(xué)工程研究生：王世祥指導(dǎo)教師：宋凱副教授企業(yè)導(dǎo)師：王競陽高級(jí)工程師天津大學(xué)化工學(xué)院2016年5月中文中文摘要摘要隨著大數(shù)據(jù)時(shí)代的來臨，海量數(shù)據(jù)的處理問題已成為一個(gè)熱點(diǎn)話題，而機(jī)器學(xué)習(xí)算

2、法的不斷發(fā)展與完善，為迎接大數(shù)據(jù)時(shí)代的來臨奠定了基礎(chǔ)。目前，機(jī)器學(xué)習(xí)算法在多個(gè)領(lǐng)域都得到了廣泛的應(yīng)用，涉及到的領(lǐng)域包括化工過程控制、氣象數(shù)據(jù)分析、垃圾郵件的識(shí)別與過濾以及生物醫(yī)學(xué)領(lǐng)域的分析研究等等。面對如此多的海量數(shù)據(jù)，尤其是高通量技術(shù)下產(chǎn)生的海量生物醫(yī)學(xué)數(shù)據(jù)，如何排除噪聲信息的干擾，找出關(guān)鍵信息，提高機(jī)器學(xué)習(xí)算法在癌癥相關(guān)研究領(lǐng)域應(yīng)用的精度和效率是大數(shù)據(jù)時(shí)代面臨的一個(gè)主要問題之一。吸煙雖然是已知的最主要的肺癌致病因素，但統(tǒng)計(jì)數(shù)據(jù)表明，

3、肺腺癌患者中不吸煙患者的比例呈現(xiàn)逐年上升的趨勢。針對吸煙與不吸煙肺腺癌患者發(fā)病機(jī)理等差異性的研究逐漸成為世界范圍廣泛關(guān)注的熱點(diǎn)問題。本文基于吸煙相關(guān)肺腺癌患者全基因組基因表達(dá)數(shù)據(jù)、甲基化數(shù)據(jù)，以TCGA數(shù)據(jù)為訓(xùn)練集，EDRN數(shù)據(jù)為獨(dú)立測試集，創(chuàng)新性地結(jié)合了多種降維和變量篩選的方法，分別從基因表達(dá)差異性、生物相關(guān)性以及差異分類重要性等多方面綜合篩選候選基因集，并通過偏最小二乘（PLS）的多重迭代優(yōu)化分類當(dāng)前吸煙從不吸煙樣本，識(shí)別出真正的關(guān)

4、鍵特征基因，從而為揭示吸煙與肺腺癌發(fā)生之間的關(guān)系以及不吸煙肺腺癌的患病機(jī)理奠定基礎(chǔ)，為從基因組水平和分子生物學(xué)水平揭示吸煙與不吸煙肺腺癌患者的差異提供依據(jù)。最終應(yīng)用本文所提出的方法，共確定43個(gè)基因表達(dá)特征基因以及48個(gè)甲基化特征基因，達(dá)到了較高的分類精度，訓(xùn)練集精度分別為79.2%以及87.5%，獨(dú)立測試集精度分別為86.3%以及76.4%。同時(shí)，特征基因代謝通路分析表明，這些特征基因大多數(shù)與癌癥的發(fā)生發(fā)展以及生物功能、細(xì)胞發(fā)育等都有