随机森林在基因表达数据分析中应用及与研究进展.pdfVIP

2007年中国卫生统计学术大会论文集西安 随机森林在基因表达数据分析中的应用及研究进展 武晓岩 李 康哈尔滨医科大学卫生统计学教研室 随着人类基因组测序工作的完成，基因组研究的主要焦点已经转向功能研究， 即需要知道这些基因是如何按照特定的组织和时间进行表达、表达量有多少，其核 心是获得基因功能的表达谱。用基因芯片(cDNA微阵列)进行表达谱检测，一次杂 交可以产生成千上万个相关基因表达的定量结果。由于基因芯片技术的发展和应用， 人们面对的是海量的生物信息数据，并且这种数据的增长速度极其迅速，许多数据 库是公开的，如何从这种包含序列结构和功能信息的数据中确定与某一特定生命现 象(如生长、发育，肿瘤发生等)相关的基因及其功能已成为后基因组时代关注的 焦点。大规模基因功能表达谱的分析导致了新的统计学方法与技术的问题，我国目 前使用基因芯片进行科学研究的医学工作者愈来愈多，并且获得大量宝贵的实验数 据，但由于缺少有效的统计分析方法，难以挖掘其中的重要信息。 对基因表达数据的分析，其重要任务是筛选差异表达基因及对基因或样品进行 分类，通过比较正常和疾病状态下基因转录及其表达的差异，研究疾病的发生机理、 疾病的早期诊断及治疗；而对基因或样品进行分类，可以将功能相似、具有共调控 的基因或不同的组织分型聚在一起，帮助我们根据已知基因发现和识别有意义的未 知基因。对基因表达谱数据分析的主要困难是相对于给定的样品数目基因的数量巨 大，用传统的统计方法对“差异基因”进行鉴别会产生大量的假阳性结果，建立分类 模型则由于其中含有大量对分类不起作用的基因使其效能降低。最近，应用组合分 类器的方法得到了人们重视，即将多个单一分类器的预测模型进行组合，产生一个 新的分类器，然后利用它对未知数据进行分类。许多研究表明，组合分类器比单一 分类器的分类效果好，随机森林仪andomForeSt)就是一种利用多个分类树对数据进行 判别与分类的方法，它在对数据进行分类的同时，还可以给出各个变量(基因)的 重要性评分，评估各个变量在分类中所起的作用。 1．，随机森林的基本原理与方法 1．1基本原理 forests)由Leo 随机森林(RaIldom 重采样技术，从原始训练样本集Ⅳ中有放回地重复随机抽取七个样本生成新的训练 289 2007年中国卫生统计学术大会论文集西安 样本集合，然后根据自助样本集生成七个分类树组成随机森林，新数据的分类结果 按分类树投票多少形成的分数而定。其实质是对决策树算法的一种改进，将多个决 策树合并在一起，每棵树的建立依赖于一个独立抽取的样品，森林中的每棵树具有 相同的分布，分类误差取决于每一棵树的分类能力和它们之间的相关性。特征选择 采用随机的方法去分裂每一个节点，然后比较不同情况下产生的误差。能够检测到 的内在估计误差、分类能力和相关性决定选择特征的数目。单棵树的分类能力可能 很小，但在随机产生大量的决策树后，一个测试样品可以通过每一棵树的分类结果 经统计后选择最可能的分类。 1．2随机森林算法 随机森林中的每一棵分类树为二叉树，其生成遵循自顶向下的递归分裂原则， 即从根节点开始依次对训练集进行划分；在二叉树中，根节点包含全部训练数据， 按照节点不纯度最小原则，分裂为左节点和右节点，它们分别包含训练数据的一个 子集，按照同样的规则节点继续分裂，直到满足分支停止规则而停止生长。若节点刀 上的分类数据全部来自于同一类别，则此节点的不纯度及刀)=O。不纯度度量方法是 Gini准则，即假设JP(缈，)是节点，l上属于国，类样本个数占训练样本总数的频率， 则Gilli准则表示为： ，(玎)=∑P(q)尸(q)=1一∑P2(哆) hj j 具体实现过程如下： (1)原始训练集为Ⅳ，应用boots脚法有放回地随机抽取七爪新的自助样本集， (2)设有‰个变量，则在每一棵树的每个节点处随机抽取‰个变量 (m聊m洲)，然后在‰中选择一个最具有分类能力的变量，变量分类的阈值通过 检查每一个分类点确定。 (3)每棵树最大限度地生长，不做任何修剪。 (4)将生成的多棵分类树组成随机森林，用随机森林分类器对