论文部分内容阅读
近几十年来,肿瘤疾病一直都是人类面临的难治愈疾病之一,严重的危害着人类的健康,并且至今尚未找到针对性的治疗手段。如果想要治疗肿瘤疾病,首先要准确判断肿瘤的亚型,用生物信息学的专业术语来说就是肿瘤分类。高通量技术的出现直接导致了大量肿瘤数据的出现,包括不同平台和不同实验室的数据。这些数据的产生都需要很高的成本,但是又普遍存在小样本、大基因数问题,而且单一平台、单一实验室的数据可能具有片面性和不可靠性。因此,本文针对单一数据存在的各种问题以及肿瘤分类效果不佳的问题,进行了以下两个方面的研究。(1)在对当前主流分数据整合算法进行分析之后,发现Combat融合算法在各个评价指标上表现都很优秀,尤其在小样本(<25)的时候表现突出。但是本文的研究发现,Combat融合算法将所有批次都移动到总体平均值附近,这样当Combat转化数据过程中使用经验证、固定的基因标签时,这些数据上的基因标签也将被移位。针对该问题,本文将利用单个批次求均值、方差,循环选取待融合批次作为参考样本的方式,选出一个效果最好的批次作为参考样本而不是使用传统的总体均值和总体方差来调整。此外,本文研究发现目前的融合算法都没有考虑批次内样本本身的特性,而是直接对一整个批次进行处理,为了解决该问题,本文将对一个批次按照特征的第一主成分(F1)进行分割,选取一个阈值k将一个批次分为二部分(大于阈值部分为k+,小于阈值部分为k-),对其他批次也做同样的操作,然后将几个批次大于阈值的部分进行融合,小于阈值的部分进行融合,最后再将分割的两个批次进行融合。通过对比实验分析,验证了本文改进的方法与其他四种融合算法相比,具有十分优秀的表现。(2)在研究融合算法的基础上,本文发现将融合后的数据运用于很多领域都有提升效果,比如特异性基因的挑选,调控网络等。针对当前肿瘤分类精度不高的问题,本文提出了一个肿瘤分类的框架,首先对单一数据集分类进行分析,然后通过对数据进行融合来提升肿瘤分类的精度,同时针对单一数据集和融合几个数据集之后样本量不一致从而导致不能直接比较的问题提出了一个简单的比较方法。最后,本文在真实的乳腺癌数据上进行了两组分类实验,利用机器学习的常见分类算法对其进行分类,从而验证了基于跨平台数据融合的肿瘤分类具有良好的效果。