论文部分内容阅读
随着人类基因组计划的完成,基因芯片技术被广泛应用在科学研究的各个领域,也使生命科学进入了全基因组和大数据的时代。大量基于基因芯片技术获得的基因表达数据在许多专业数据库上有公开的存储,这为基因表达数据的相关研究提供了必要的数据支撑。另一方面,癌症作为对人类最致命的疾病之一,科学家和医学工作者们始终致力于对癌症早期诊疗的研究,基因芯片技术则为探究癌症分子水平特征提供可能。当今,胃癌已成为全球排名第四最普遍被诊断、死亡率排名第三的癌症。因此对胃癌患者的基因表达数据进行特征选取,使用特征基因进行与患者临床相关的数据分析是十分有价值的。本文在GDC平台上的TCGA数据库中下载了胃癌患者的基因表达数据和相应的临床数据。在对初始数据集进行整合与清洗后,采用了过滤与封装相结合的特征选取方法来筛选特征基因。通过构建分类模型检验了筛选的特征基因集能对样本进行有效地分类。将特征基因集与胃癌患者临床数据结合进行生存分析的结果,也显示了该基因集中特征基因的表达量水平能显著地影响胃癌患者的生存情况。本文的主要工作可以分为以下三个部分:1.胃癌特征基因的选取。基因表达数据具有有高维度、小样本的特点,所以特征间常常会存在严重的冗余或是含有大量的噪音基因。先利用spearman秩相关系数、信噪比指标、自相关系数进行基因过滤初筛,快速地剔除了大量的冗余基因和噪音基因。再建立三个特征基因选择模型,分别得到三组特征基因。改进了P值的T检验法保留了163个对样本类别有显著差异的特征基因,随机森林法保留了重要性大于0的277个基因,基于随机森林的递归消除法方法(RF-RFE)选取了21个特征基因作为最优子集。2.建立分类模型评价三组特征基因集对样本患者的分类效果。为了在已得到的三组特征基因集中选取最优的一组作为最终的胃癌特征基因,选用带BRF核的非线性支持向量机作为分类器建立判别胃癌肿瘤一期的模型。以基因数目为循环,考察在每一组的特征基因集中不同基因数目对分类效果的影响。RF-RFE方法组的基因集仅包含21个特征基因,就可以达到95.24%的准确率、100%的特异度、以及0.94的F-measure综合指标值,这在仅有67个样本的数据中是一个不错的分类效果。T检验方法和随机森林方法组的表现则不如RF-RFE组,所以最后选取了RF-RFE方法组的21个基因为最优特征基因。3.胃癌肿瘤患者的生存分析。为使研究更有意义,可以对筛选出的特征基因给出更结合实际的分析。在网络上检索出这些特征基因的基因组学、转录组学或蛋白质组学的重要特征,发现其中至少7个基因与人体消化系统或胃癌预后情况有关。又以4个基因为例结合临床数据进行了生存分析,结果显示四个基因表达水平的高低会对胃癌患者生存率随时间的变化情况产生影响,其中基因GPX2、GKN2、ATP11A的表达水平对生存率的影响是十分显著的。本文为胃癌患者样本的基因进行了有效选取,并结合临床数据对特征基因影响胃癌肿瘤患者的生存情况做了分析。结果表明,筛选得到的特征基因集能有效的识别胃癌肿瘤一期患者,特征基因的表达量水平高低也显著地影响胃癌肿瘤患者生存率随时间的变化情况。因此本文研究内容和结论对胃癌早期诊断和及时的治疗具有一定的价值。