基于基因表達數(shù)據(jù)的腫瘤亞型多類別分類與分析.pdf

1、腫瘤是人類面臨的一大災(zāi)難，任何有關(guān)腫瘤的檢測、診斷和治療的研究，毫無疑問都具有重要的意義。不同腫瘤亞型具有不同的特征，從基因水平上觀測，它們分別由單種或多種基因表達及其相互作用所控制，具有不同的基因表達特征，但它們往往難于用臨床特征進行區(qū)分。基因芯片技術(shù)的出現(xiàn)，為科學(xué)家在分子水平上研究腫瘤現(xiàn)象提供了一個強有力的工具，比如可以用來研究正常組織與腫瘤組織的區(qū)別。基于基因表達數(shù)據(jù)的腫瘤亞型多類別分類與分析，正是試圖從基因水平上對不同的腫瘤或亞

2、型進行分類和分型。 由于基因芯片表達數(shù)據(jù)具有高維、高噪音、高相關(guān)性等特點，使得基于基因芯片表達數(shù)據(jù)的模式分類問題仍然面臨許多困難。例如，檢測基因的數(shù)目相對于樣本的數(shù)目非常大，其中大量與疾病組織樣本無關(guān)的基因的表達不僅降低分類器的性能，還會增加機器學(xué)習(xí)的時間和空間復(fù)雜度。本文圍繞著這些問題，充分利用已有的基因表達數(shù)據(jù)，從基因水平上研究對腫瘤多類別進行分類的方法，主要開展了以下兩方面有新意的研究工作： 1.特征基因選擇方法的

3、研究用特征選擇的方法對基因進行篩選來剔除無關(guān)基因，減少基因指標的個數(shù)，不僅可以提高分類器的性能，而且還為尋找對疾病有鑒別力的特征基因排除了大量無關(guān)基因的干擾，因此選擇出來的特征基因可以更有效地用來對疾病進行珍斷。一個較優(yōu)的算法選擇出的特征基因子集，不僅應(yīng)該對疾病類別有較強的鑒別力，還應(yīng)該對不同的分類器算法具有較強的魯棒性。從這個原則出發(fā)，本文提出了一種基于標準差分布差異(Standard Deviation Error Distribu

4、tion，SDED)的特征基因選擇算法。該算法基于一個直觀的假設(shè)：即特征基因表達水平在不同類間和相同類內(nèi)具有不同的概率分布，類間標準差相對較大，而類內(nèi)標準差則盡可能小。結(jié)合基因在類內(nèi)和類間表達標準差分布差異情況，即可對基因進行打分，從而選擇出具有生物學(xué)意義及有利于分類判別的特征基因。通過對比GS2和CHO算法對4個不同白血病基因表達數(shù)據(jù)集進行的實驗分類結(jié)果，表明SDED算法能選擇出有利于分類預(yù)測結(jié)果的特征基因，預(yù)測精度分別比GS2和CH

5、O算法高出0.8-4.2％和1.6-8.4％。同時通過統(tǒng)計所選特征基因在OMIM和KEGG兩大數(shù)據(jù)庫中的注釋情況，說明SDED算法可以選擇出的具有重要生物學(xué)意義的腫瘤相關(guān)特征基因的數(shù)量，要比這兩種算法高出4.0％和6.1％左右。 2.腫瘤亞型多類別分類方法研究利用支持向量機、人工神經(jīng)網(wǎng)絡(luò)和決策樹等模式分類方法對基因表達數(shù)據(jù)進行疾病及疾病亞型的識別已取得了一定的成果。對于雙類別的研究已取得很好的進展，但在多類別分類問題上，存在預(yù)測

6、精度不高，實驗效率不夠理想，所選特征基因生物學(xué)意義不明顯等問題。針對多類別分類問題，主要有兩種策略：一種是將多類別問題分解為雙類別，該類型算法的主要弊端是隨著類別數(shù)的增加，分類器的數(shù)目指數(shù)增長，計算量也因此大大增加。第二種類型的分類器則可以自然的擴展到多類別分類問題，如判別式方法。判別式是基于數(shù)據(jù)標準正態(tài)分布的假設(shè)，其數(shù)學(xué)計算并不復(fù)雜，但主要針對線性關(guān)系的問題。針對判別式方法的局限性以及基因表達數(shù)據(jù)噪聲強，波動大，在大量數(shù)據(jù)的背后還有很

7、多相關(guān)變量不能被直接觀測到等特點，本文提出了一種基于簡單高斯混合模型(Simple Gaussian Mixture Model，SGMM)的多類別判別方法，該方法結(jié)合了判別式算法以及高斯混合模型的優(yōu)點，從而保留了更多有利多類別分類的信息。通過用4個不同的白血病基因表達數(shù)據(jù)集進行測試，并用留一法交叉驗證得到的分類結(jié)果表明，利用簡單高斯混合模型的分類器，能夠取得比最近鄰算法高2％左右的預(yù)測精度，同時與支持向量機的分類效果相當(dāng)，但其計算復(fù)雜