论文部分内容阅读
癌症是由于各种致癌因素导致的某些局部组织的某一细胞克隆性异常,在基因水平上失去对其生长的正常调控而引发的病变。癌症种类众多、致病机理复杂并且很难治愈,近年来已经严重危害到人类的生命和健康,尽快地诊断和治疗可以帮助挽救患者的生命。由于传统癌症的诊断往往建立在病理形态学、组织学和免疫学等基础上,在很大程度上依赖于经验,并且容易出现误诊。近年来,随着生物微阵列技术的迅猛发展,产生了大量的基因表达数据。而分子生物学研究表明,包括基因突变、抑癌基因功能的丧失、原癌基因的激活在内的众多因素与癌症的产生和发展息息相关。正是在这些海量的基因表达谱数据帮助下,很多癌症基因序列的确定为癌症的诊断和治疗提供了非常有用的信息。在癌症分类研究中,本文基于基因表达谱数据和蛋白质互作网络,提出一种新的癌症分类预测集成模型。首先利用互信息方法和Jaccard相似系数分别对基因表达谱数据和蛋白质互作网络数据进行相关性分析和相似度分析,通过同时最大化所选特征基因集的相关度和相似度以进行特征选择。然后基于交叉验证方法,利用Bootstrap方法进行多样性采样,在前面所选特征基因集的基础上使用SVM、KNN和RF算法训练得到多个差异化较大的分类模型,并在这些模型的基础上投票表决,得到最终分类结果。本文将该方法应用于GEO数据库中四种不同癌症的数据集上,通过实验和对比研究探索数据集的选取、特征提取方法构建、多样性采样以及分类集成模型的构建。对GEO数据库中四种癌症基因表达谱数据,包括急性骨髓性白血病,乳腺癌,结肠癌和台湾非吸烟肺癌数据集进行实验研究。本文从特征选取以及分类模型两个方面进行对比实验,实验结果为,本文整合基因表达谱数据和蛋白质互作网络数据的特征基因提取方法相比仅利用基因表达谱数据进行特征提取方法得到的分类精度要高5%左右;在分类模型方面,本文提出的分类集成模型在各数据集上的分类精度都要高于其它分类模型。实验结果表明,在数据集的选取中,通过利用基因在不同癌症中的差异表达,结合基因与基因间的复杂关联,能更好地揭示基因的生物学意义;在特征提取方法构建中,通过结合蛋白质相互作用网络,利用与同一种癌症相关联的基因有着共同的功能特点,克服了只利用统计学方法进行差异表达分析的局限;在采样过程中,对训练集进行多样性采样,克服了单分类学习算法过拟合问题,泛化能力增强;在分类集成模型的构建中,将多个算法优势互补,解决单个分类算法适用范围受限的问题。