決策樹算法應(yīng)用于基因表達數(shù)據(jù)分類.pdf

1、人類基因組計劃(HGP)是人類為了認識自己而進行的一項最偉大和最具影響的研究計劃,目前已基本完成了人類基因的全序列測定.但問題是面對大量的基因或基因片斷序列如何研究其功能,只有知道其功能才能真正體現(xiàn)HGP計劃的價值-破譯人類基因這部天書.后基因組計劃、蛋白組計劃等概念就是為實現(xiàn)這一目標(biāo)而提出的.不同個體基因變異、不同組織、不同時間、不同生命狀態(tài)等基因表達差異的分析是連接基因組計劃和蛋白組計劃最關(guān)鍵的一個環(huán)節(jié),它不僅能利用基因組計劃的研究

2、成果在疾病診斷、藥物篩選等領(lǐng)域發(fā)揮重要的作用,而且還可為蛋白組計劃的實施提供大量非常重要的線索.這一環(huán)節(jié)既是基因組計劃的補充又是蛋白組計劃的航標(biāo).基因芯片技術(shù)就是為實現(xiàn)這一環(huán)節(jié)而建立的.該文處理的數(shù)據(jù)是急性白血病基因表達數(shù)據(jù).急性白血病主要可以分成兩類,分別是急性淋巴細胞白血病Acute Lymphocytic Leukemia(ALL)和急性骨髓性白血病Acute Myelogenous Leukemia(AML).急性白血病的基因表

3、達數(shù)據(jù)是Golub等于1999年在Science上發(fā)表的,是一個72行7129列的矩陣,行為樣本,列為基因,即對72個樣本分別測其7129個基因的表達值.在該文中,將72個樣本放在一起稱為全集.Golub等將72個樣本分成兩個部分.訓(xùn)練集包括38個樣本,測試集包括34樣本.這套數(shù)據(jù)是典型的變量數(shù)(基因數(shù))p遠遠大于樣本數(shù)N的數(shù)據(jù)矩陣.對于這種少樣本多變量的問題,一般的思路是:第一步,篩選基因;第二步,降維(如PCA、PLS和SIR等);

4、第三步運用分類方法(如線性判別式、支持向量積、決策樹等)進行建模和預(yù)報.其中第一步有很多方法,例如,t統(tǒng)計法、差商法、CV法,但是采用這些不同的方法所選出的基因往往差別非常大.針對上述問題,根據(jù)基因表達數(shù)據(jù)的特點,該文提出了針對這種數(shù)據(jù)分析的新策略:首先,應(yīng)用決策樹算法來選擇盡可能多(甚至全部)的重要變量(基因),對所選擇的重要變量(基因)按照一定的策略進行排序,然后對其進行分組(一般是5到11組),進而將這些變量(基因)組合成為組變量