基于粗糙集和神經網絡集成的基因表達譜分類研究.pdf

1、隨著人類基因組計劃的實施和順利完成，產生出了海量的生物數(shù)據(jù)，有待于人們利用各種方法、從不同角度對其進行分析和解釋，以獲得對生命現(xiàn)象更加深入的理解和認識。生物信息學的出現(xiàn)和發(fā)展為人們利用信息科學的理論和方法對這些數(shù)據(jù)進行理解和分析、挖掘其中隱含的信息和知識提供了一種有效的研究手段。生物信息學是一門交叉科學，它包含了生物信息的獲取、處理、存儲、分發(fā)、分析和解釋等在內的所有方面，它綜合運用數(shù)學、計算機科學和生物學的各種工具，來闡明和理解大量數(shù)

2、據(jù)所包含的生物學意義。隨著生物信息學的興起，基因芯片技術的研究已經得到越來越多研究者的重視。應用基因表達譜數(shù)據(jù)對癌癥進行基因挖掘、分類與診斷，已經逐漸成為生物信息學領域的研究熱點之一。
　　基因芯片技術的產生和應用為生物信息學的發(fā)展提供了極大動力。利用基因芯片能同時對大量的遺傳信息進行高效、快速的檢測、分析，因而被廣泛的應用于醫(yī)學尤其是癌癥的分類診斷和預測、病因與發(fā)病機制分析、腫瘤藥物篩選等研究方面。芯片技術的發(fā)展帶來了生物信息數(shù)

3、據(jù)的爆炸式增長，如何選擇合適的方法處理芯片檢測產生的海量數(shù)據(jù)，挖掘其背后隱藏的生物信息成為癌癥研究的當務之急。利用基因表達譜在分子水平上對腫瘤進行分析和研究，是當前生物信息學研究的重要課題。本文將數(shù)據(jù)挖掘技術應用于基因表達譜分類分析領域，對特征提取和選擇技術以及分類器的選擇和改進進行了研究，取得如下研究成果：
　　（1）為提高特征基因選擇的有效性，結合Relief算法和粗糙集的優(yōu)點，提出了基于鄰域粗糙集的特征基因選取方法。用于選取

4、數(shù)目較少且分類能力較強的特征基因。為尋找對疾病有鑒別意義的特征基因排除了大量無關基因的干擾，使得選擇出來的特征基因可以更有效地用來對疾病進行診斷。
　?。?）針對分類中分類器的選取問題，本文提出基于Bagging的概率神經網絡集成分類方法。實驗結果表明，該方法能夠有效地降低分類誤差，提高分類準確率，具有較好的泛化能力以及較快的執(zhí)行速度。
　　（3）針對癌癥基因表達譜結構維數(shù)高而樣本小、噪聲冗余多而信息基因少的特點，提出一種用