基于加權(quán)非負矩陣分解的腫瘤基因表達數(shù)據(jù)聚類研究.pdf

1、眾所周知，腫瘤疾病歷來都是威脅人體健康的“頭號殺手”。一般來說，一種特定的腫瘤類型通常會包含多種亞型，而不同的亞型具有不同的基因表達模式，對于相同的臨床治療也會產(chǎn)生不同的效果。因此，準確識別腫瘤亞型類別對于腫瘤疾病的有效治療至關(guān)重要。目前，基因表達數(shù)據(jù)已廣泛應(yīng)用于腫瘤亞型識別的研究中，并由此提出了眾多機器學習算法。
　　非負矩陣分解是機器學習算法的一類杰出代表，近年來得到了快速發(fā)展并衍生出了一系列實用算法。本文通過對非負矩陣分解模

2、型的研究并結(jié)合基因表達數(shù)據(jù)的特點，分別提出了基于非負矩陣分解的聚類算法和雙聚類算法，并將其應(yīng)用于腫瘤亞型識別。
　　本文是圍繞腫瘤亞型識別的聚類問題展開的，主要開展了以下研究工作：
　?。?）通過熟悉特征選擇方法的理論基礎(chǔ)及其對數(shù)據(jù)挖掘的重要意義，本文提出了一種針對于腫瘤亞型識別的特征選擇方法。通過該方法篩選出具有代表意義的基因子集，剔除不相關(guān)的、冗余的基因，不僅可以提高算法的效率，同時也在一定程度上改進了算法的性能。

3、>　?。?）通過掌握非負矩陣分解的現(xiàn)有模型、算法和應(yīng)用，本文提出了一種加權(quán)非負矩陣分解算法，具體而言，就是將基因權(quán)重值嵌入非負矩陣分解模型的目標函數(shù)和迭代規(guī)則中。這樣后續(xù)的聚類算法就能夠充分考慮所選基因的重要性權(quán)值，從而進一步提高腫瘤亞型識別額的準確率。
　　（3）此外，本文還提出了一種基于非負矩陣分解的雙聚類算法，雙聚類算法能夠同時在基因維度和樣本維度上進行聚類分析。實驗證明，相比于單聚類分析，雙聚類算法在對腫瘤基因表達數(shù)據(jù)進行