變量選擇和變換的新方法研究.pdf

1、21世紀(jì)被譽為生命科學(xué)的世紀(jì)，儀器和分析技術(shù)快速發(fā)展，化學(xué)和生物學(xué)數(shù)據(jù)的積累呈指數(shù)級增長。然而，對于這些不斷增長的海量數(shù)據(jù)，如何從中發(fā)現(xiàn)更多、更有價值的信息是對化學(xué)和生命科學(xué)研究的一個巨大挑戰(zhàn)。 在解決這些超大規(guī)模數(shù)據(jù)問題時，經(jīng)常碰到的問題之一就是“維數(shù)災(zāi)難”。在低維空間里計算上可行的辦法，在高維空間里可能變得全無實際意義。如何處理含大量變量的超大規(guī)模數(shù)據(jù)集，需要提出新的思路和新的解決辦法。對于這樣的高維數(shù)據(jù)，一個很直觀的想法便

2、是選擇并保留一些重要變量(變量選擇)或者通過原有變量的線性/非線性組合來代替原來的變量(變量變換)。 本論文的主要內(nèi)容就是變量選擇和變換的新方法的研究。 首先簡述了定量構(gòu)效關(guān)系的基本原理，實現(xiàn)步驟以及研究現(xiàn)狀，簡單介紹了一些傳統(tǒng)的變量選擇方法；同時簡述了超大規(guī)模數(shù)據(jù)常用的降維方法，包括變量變換和從統(tǒng)計學(xué)角度進(jìn)行變量選擇的一些方法。 接著從三個層次的研究策略提出了變量選擇及變換的新方法，包括核函數(shù)方法，多階統(tǒng)計量變

3、換方法，模式變量方法等。 核函數(shù)近年來在機(jī)器學(xué)習(xí)等許多領(lǐng)域獲得了重要的應(yīng)用，本文將其引入偏最小二乘方法。以樣本之間的關(guān)系代替原變量之間關(guān)系的方式，用于數(shù)據(jù)的回歸以及分類等。這樣數(shù)據(jù)不需進(jìn)行變量選擇，避免了不同選擇方法選擇出的變量不相同的結(jié)果，取得了不錯的結(jié)果。 其次提出了多階統(tǒng)計量變換方法。統(tǒng)計矩可以反映數(shù)據(jù)集整體的變化方式，這里用多階統(tǒng)計矩構(gòu)建新的特征變量。將數(shù)據(jù)分為若干區(qū)域，得到每個分區(qū)的4階統(tǒng)計量，并以此分區(qū)信息作

4、為新的變量進(jìn)行計算，變量數(shù)目減少，分類效果進(jìn)一步提高。 上述兩種方法考慮到了數(shù)據(jù)的整體和局部信息，但是都沒有反映出特征變量的具體貢獻(xiàn)，因此又提出了模式變量的方法。探索了連續(xù)變量的模式表達(dá)方法，將連續(xù)變量轉(zhuǎn)換成模式變量，進(jìn)一步減少了變量數(shù)，簡單地說，模式的組合就構(gòu)成了模式變量。針對腫瘤和對照集分別提取出各自特異的表達(dá)模式，也取得了較好的結(jié)果。 在應(yīng)用研究方面，選取了幾個實際應(yīng)用體系，將上述方法應(yīng)用于復(fù)雜疾病的診斷、計算蛋白

5、質(zhì)組學(xué)、環(huán)境污染物重要性質(zhì)的預(yù)測以及藥物輔助設(shè)計等研究，具有很好的應(yīng)用前景及重要的理論和實際意義。 復(fù)雜疾病診斷的應(yīng)用包括蛋白質(zhì)芯片(SELDI-TOF)卵巢癌分類和基因芯片白血病分類，都得到了令人滿意的結(jié)果，對復(fù)雜疾病的早期診斷提供了有價值的參考結(jié)果。 在計算蛋白質(zhì)組學(xué)應(yīng)用中，對多肽保留時間進(jìn)行了預(yù)測，對蛋白質(zhì)的定性定量分析提供了一個比較可靠的方法。 預(yù)測持久性環(huán)境污染物dioxins保留時間和保留特征值，并結(jié)