基于多特征的集成分類器在基因表達(dá)數(shù)據(jù)分類中的應(yīng)用.pdf

1、隨著人類基因組計(jì)劃的發(fā)展，DNA微陣列技術(shù)作為一項(xiàng)革命性的技術(shù)應(yīng)運(yùn)而生。它可以自動(dòng)、快速、高效的檢測(cè)成千上萬(wàn)個(gè)基因的表達(dá)情況，通過(guò)分析所產(chǎn)生的基因表達(dá)數(shù)據(jù)，可以在分子層面了解細(xì)胞的生理狀態(tài)，如生存、增殖、分化、凋亡、癌變和應(yīng)激等等。這些問(wèn)題對(duì)于醫(yī)學(xué)臨床診斷、藥物療效判斷、解釋疾病發(fā)生機(jī)制等方面有重要的作用。 基因表達(dá)數(shù)據(jù)數(shù)目巨大且極其復(fù)雜，人們通過(guò)醫(yī)學(xué)影像學(xué)的方法很難直接對(duì)其做出解釋。因此，基因表達(dá)數(shù)據(jù)分類成為了生物信息學(xué)領(lǐng)域中

2、一個(gè)十分困難的問(wèn)題。早期，人們常常使用模式識(shí)別的方法，借助計(jì)算機(jī)的強(qiáng)大計(jì)算能力對(duì)其進(jìn)行分類，取得了一些成果。最近幾年，隨著機(jī)器學(xué)習(xí)算法在生物信息學(xué)領(lǐng)域的應(yīng)用日益廣泛，機(jī)器學(xué)習(xí)的算法作為一種新興的解決問(wèn)題的方法被不少學(xué)者提出，用于基因表達(dá)數(shù)據(jù)分類。但遺憾的是，由于基因表達(dá)數(shù)據(jù)特有的樣本少、特征多、非線性的特點(diǎn)，直接使用機(jī)器學(xué)習(xí)的方法還存在著一定的困難。這主要是因?yàn)?1.過(guò)多的特征使得重要特征被眾多無(wú)關(guān)特征掩蓋，使得分類器難以學(xué)習(xí)。2.樣本

3、數(shù)目過(guò)少，使得大部分分類器出現(xiàn)過(guò)擬合現(xiàn)象。為了解決特征眾多的問(wèn)題，往往通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行特征基因抽取以達(dá)到降維的目的；對(duì)于樣本少的問(wèn)題，常常采用分類器集成的方法來(lái)增強(qiáng)單個(gè)分類器的學(xué)習(xí)能力，從而提高分類的準(zhǔn)確率。 對(duì)于一個(gè)優(yōu)秀的基因表達(dá)數(shù)據(jù)分類系統(tǒng)而言，特征基因的選擇和分類器的集成是必不可少的兩個(gè)步驟。然而，這兩個(gè)步驟在實(shí)際應(yīng)用往往是孤立進(jìn)行的，前一個(gè)步驟并不能很好的為下一步奠定一個(gè)良好的基礎(chǔ)，甚至有可能降低整體系統(tǒng)的分類準(zhǔn)確率。

4、 本文通過(guò)總結(jié)前人常用方法的優(yōu)缺點(diǎn)，將特征基因的選擇與分類器的集成有機(jī)的結(jié)合起來(lái)，提出了基于多特征的集成分類器方法。其算法思想如下:該方法首先使用不同的特征基因提取算法如相關(guān)性分析，Golub方法，t檢驗(yàn)方法等對(duì)數(shù)據(jù)進(jìn)行特征提取，得到樣本的多個(gè)特征子集。然后通過(guò)可重復(fù)采樣技術(shù)，在不同的特征子集中抽取樣本形成訓(xùn)練子集。由于訓(xùn)練子集是在不同的特征子集中抽取的，所以具有更大的差異性。而后使用一組神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)這組特定的訓(xùn)練子集，為了保證