決策樹(shù)算法應(yīng)用于基因表達(dá)數(shù)據(jù)分類(lèi).pdf

1、人類(lèi)基因組計(jì)劃(HGP)是人類(lèi)為了認(rèn)識(shí)自己而進(jìn)行的一項(xiàng)最偉大和最具影響的研究計(jì)劃,目前已基本完成了人類(lèi)基因的全序列測(cè)定.但問(wèn)題是面對(duì)大量的基因或基因片斷序列如何研究其功能,只有知道其功能才能真正體現(xiàn)HGP計(jì)劃的價(jià)值-破譯人類(lèi)基因這部天書(shū).后基因組計(jì)劃、蛋白組計(jì)劃等概念就是為實(shí)現(xiàn)這一目標(biāo)而提出的.不同個(gè)體基因變異、不同組織、不同時(shí)間、不同生命狀態(tài)等基因表達(dá)差異的分析是連接基因組計(jì)劃和蛋白組計(jì)劃最關(guān)鍵的一個(gè)環(huán)節(jié),它不僅能利用基因組計(jì)劃的研究

2、成果在疾病診斷、藥物篩選等領(lǐng)域發(fā)揮重要的作用,而且還可為蛋白組計(jì)劃的實(shí)施提供大量非常重要的線索.這一環(huán)節(jié)既是基因組計(jì)劃的補(bǔ)充又是蛋白組計(jì)劃的航標(biāo).基因芯片技術(shù)就是為實(shí)現(xiàn)這一環(huán)節(jié)而建立的.該文處理的數(shù)據(jù)是急性白血病基因表達(dá)數(shù)據(jù).急性白血病主要可以分成兩類(lèi),分別是急性淋巴細(xì)胞白血病Acute Lymphocytic Leukemia(ALL)和急性骨髓性白血病Acute Myelogenous Leukemia(AML).急性白血病的基因表

3、達(dá)數(shù)據(jù)是Golub等于1999年在Science上發(fā)表的,是一個(gè)72行7129列的矩陣,行為樣本,列為基因,即對(duì)72個(gè)樣本分別測(cè)其7129個(gè)基因的表達(dá)值.在該文中,將72個(gè)樣本放在一起稱(chēng)為全集.Golub等將72個(gè)樣本分成兩個(gè)部分.訓(xùn)練集包括38個(gè)樣本,測(cè)試集包括34樣本.這套數(shù)據(jù)是典型的變量數(shù)(基因數(shù))p遠(yuǎn)遠(yuǎn)大于樣本數(shù)N的數(shù)據(jù)矩陣.對(duì)于這種少樣本多變量的問(wèn)題,一般的思路是:第一步,篩選基因;第二步,降維(如PCA、PLS和SIR等);

4、第三步運(yùn)用分類(lèi)方法(如線性判別式、支持向量積、決策樹(shù)等)進(jìn)行建模和預(yù)報(bào).其中第一步有很多方法,例如,t統(tǒng)計(jì)法、差商法、CV法,但是采用這些不同的方法所選出的基因往往差別非常大.針對(duì)上述問(wèn)題,根據(jù)基因表達(dá)數(shù)據(jù)的特點(diǎn),該文提出了針對(duì)這種數(shù)據(jù)分析的新策略:首先,應(yīng)用決策樹(shù)算法來(lái)選擇盡可能多(甚至全部)的重要變量(基因),對(duì)所選擇的重要變量(基因)按照一定的策略進(jìn)行排序,然后對(duì)其進(jìn)行分組(一般是5到11組),進(jìn)而將這些變量(基因)組合成為組變量