基于微陣列的基因分類算法研究.pdf

1、生物學(xué)相關(guān)信息量的革命性的爆炸，產(chǎn)生了對(duì)海量生物信息進(jìn)行處理的需求；而計(jì)算機(jī)技術(shù)的革命性發(fā)展，形成了處理海量生物信息的能力。于是，生物信息學(xué)便在綜合計(jì)算生物學(xué)的研究和生物學(xué)信息的計(jì)算機(jī)處理的基礎(chǔ)上迅速而成功地發(fā)展起來。生物信息學(xué)是計(jì)算機(jī)和網(wǎng)絡(luò)大發(fā)展、各種生物數(shù)據(jù)庫迅猛增長形勢(shì)下如何組織數(shù)據(jù)，并從數(shù)據(jù)中提取生物學(xué)新知識(shí)的學(xué)問。 微陣列技術(shù)的出現(xiàn)為生物信息學(xué)研究提供了強(qiáng)有力的手段。利用顯現(xiàn)模式(Emerging Patterns,

2、Eps)的基因分類方法通過分析微陣列數(shù)據(jù)，不僅可以識(shí)別癌癥樣本，同時(shí)可以挖掘出隱含的與癌癥相關(guān)的具有生物意義的基因模式，從基因角度揭示癌癥病理。本文對(duì)生物信息學(xué)研究中基于顯現(xiàn)模式的基因分類算法做了一些工作，歸納如下： (1) 介紹了基因分類的發(fā)展概況、微陣列技術(shù)以及常用的分類算法，并通過實(shí)驗(yàn)進(jìn)行性能評(píng)價(jià)，為本文后續(xù)章節(jié)的研究提供理論和實(shí)驗(yàn)基礎(chǔ)。 (2) 針對(duì)提取顯現(xiàn)模式時(shí)在小樣本情況下將頻率近似于概率的缺陷，在熵的計(jì)

3、算中引入貝葉斯估計(jì)，即通過增加虛擬樣本的方法估計(jì)概率從而緩解小樣本下熵度量的不穩(wěn)定性。 (3) 針對(duì)PCL（Prediction by Collective Likelihood）分類器的不足，提出一種基于顯現(xiàn)模式的基因分類算法。該算法在引入貝葉斯估計(jì)的基礎(chǔ)上，向PCL分類器中加入訓(xùn)練樣本集Eps自身頻率對(duì)似然度的影響。通過在急性白血病數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，表明該算法能夠有效提升分類器的性能。 (4) 提出了隨機(jī)割點(diǎn)的概

4、念，以加強(qiáng)割點(diǎn)對(duì)未知樣本的泛化能力。并結(jié)合貝葉斯估計(jì)，獲得高級(jí)顯現(xiàn)模式EPA；借鑒KNN思想，提出一種新的基于EPA的基因分類器EPA-KNN。在研究了采用熵及最小描述長度原理挖掘特征基因及其割點(diǎn)的相關(guān)理論之后，本文分析了候選割點(diǎn)的選取原則，引入邊緣點(diǎn)的思想，以縮小候選割點(diǎn)的范圍，節(jié)省搜索候選割點(diǎn)的計(jì)算量。但顯現(xiàn)模式中候選割點(diǎn)仍是樣本集合經(jīng)排序后某兩個(gè)相鄰樣本表達(dá)值的平均，這樣的平均點(diǎn)未必是對(duì)未知的測(cè)試樣本集分類能力最優(yōu)的割點(diǎn)。隨機(jī)割點(diǎn)