结肠癌基因表达谱的分析与信息基因的提取的论文.docVIP

结肠癌基因表达谱的分析与信息基因的提取 摘 要：本研究对结肠癌的基因表达谱数据进行分析，提出选取其信息基因的新方法。首先考虑到基因表达谱数据高维数、小样本的特点，运用Bhattacharyya距离对数据进行降维，然后建立基于GA/SVM的结肠癌两类别分类模型，运用遗传算法(GA)生成特征子集，以支持向量机作为分类器得到信息基因并使分类精确度达到95.12%。为了有效地排除噪声基因进而挑选出精确度更高的分类特征基因，最后建立小波分层阈值降噪模型对结肠癌基因表达谱中的数据进行降噪处理。实验结果表明，本研究提取的信息基因(R87126、L35545、R36977、M36634、H08393 1 引言 癌症是一种与遗传基因密切相关的疾病，有人估计与癌症相关的原癌基因约有一千个，抑癌基因约有一百个。从DNA芯片测量的千个基因中出决定样本类别的一组即“信息基因”informative genes?）是正确识别肿瘤类型给出可靠诊断和简化实验分析的关键所在，也为抗癌药物的研制提供了捷径。问题已进行了一定程度上的探索 。MIT癌症基因组研究中心Golub博士等于1999年10月在美国《科学))杂志上发表的研究论文中，从基因表达谱芯片的7129个基因中发现了50个基因对急性白血病的分类与诊治有着重要意义，这一组基因不仅可用于区分急性骨髓性白血病与原始淋巴细胞白血病，还解决了传统病理研究工具所无法解决的诊断难题，自此开创了基于基因表达谱的肿瘤分类研究的先河，吸引了大量研究人员利用信息技术手段建立肿瘤诊断模型的热潮。这一研究发现的意义不仅在于它将基因芯片技术引入到肿瘤临床诊断中来，以帮助肿瘤亚型的分类，还在于这种技术可以预测某些化学疗法与荷尔蒙疗法的作用，监测恶性癌前病变与检测微生物机制。同年Alon等对结肠癌的基因表达谱作了聚类分析使用了方法进行相关基因选取得到了一些表达谱与肿瘤的对应关系2001 年Khan等在线性神经网前端加上主元分析法根据神经网输出对输入的灵敏度从2308个基因中选取出96个儿童小圆蓝细胞瘤的亚型分类特征基因。的特点，运用Bhattacharyya距离对数据进行降维，然后建立基于GA/SVM的结肠癌两类别分类模型，运用遗传算法(GA)生成特征子集，以支持向量机作为分类器得到信息基因并使分类精确度达到95.12%，最后对结肠癌基因表达谱中的数据进行降噪处理得到更高的分类精确度。实验结果表明，本研究提取的信息基因(R87126、L35545、R36977、M36634、H08393。与其他基因芯片数据相比，该数据是一个较难分析的数据集，包含40个结肠癌组织样本和22个正常组织样本，每个样本包含2000个基因的表达数据。 2.2 方法 2.2.1 数据预处理 在基因表达谱中，一些基因的表达水平在样本中非常接近，不会对样本类型的判别提供有用信息，反而会增加信息基因搜索的计算复杂度。因此，需要对无关基因进行剔除。 针对肿瘤信息基因的分类研究，采用基于统计学习的模式分类方法，如图1所示。分类模型主要包含两种基本过程:分类训练过程和分类测试过程。将正常样本和肿瘤样本按接近 2: 1分配到训练集和测试集中。训练集有40个样本其中包括26个结肠癌组织样本和14个正常组织样本,测试集有22个样本其中包括14个结肠癌组织样本和8个正常组织样本。 图1基于统计学习的模式分类方法 考虑到数据具有高维数和小样本的特点，需要先对数据进行过滤和降维。测量的数千个基因的表达水平有的差异很大，只有少部分基因与样本的类别有很强的相关性，而大部分基因与样本的类别不相关，对分类没有什么贡献, 这些基因应该从数据中滤除。假设两类样本的分布都服从正态分布，第个基因采用Bhattacharyya距离作为两类别的可分性判据，称为Bhattacharyya特征计分准则（BFSC）。 第个基因在结肠癌样本与正常组织样本间的Bhattacharyya距离定义为 ，分别为基因在结肠癌样本中(正样本)的均值和方差, ，为基因在正常组织样本中(负样本)中的均值和方差。 距离值越大说明基因对结肠癌的关联性越强。计算Bhattacharyya距离，并将其降序排列，画出如图2所示的Bhattacharyya距离分布直方图，数值小的基因的数量多，数值大的基因的数量少。为可靠起见，取降序排列的前600个基因样本用于下一步的基因子集选择分析，这样就降低了数据维数。这600个基因组成的集合称为S600。 横坐标——Bhattacharyya距离的值 纵坐标——对应Bhattacharyya距离的值的基因数 图2 Bhattacharyya距离的分布直方图 遗传算法(GA)和支持向量机方法(SVM) 在遗传算法中，一个个体，本文编码长度为基因个数600用变量表示是否采用该基因作为特征基因通过