随机森林一种重要的肿瘤特征基因选择法.pdfVIP

生物物理学报 第二十五卷 第一期 二 九年二月 ACTA BIOPHYSICA SINICA Vol.25 No.1 Feb. 2009 随机森林：一种重要的肿瘤特征基因选择法 李建更, 高志坤 （北京工业大学电子信息与控制工程学院，北京 100 124) ： ，随机森林 摘要 特征选择技术已经被广泛地应用于生物信息学科 （random forests ，RF）是其中一种重要 的特征选择方法。利用RF 对胃癌、结肠癌和肺癌等5 组基因表达谱数据进行特征基因选择，将选择结果与支持 向量机（support vector machine ，SVM）结合对原数据集分类，并对特征基因选择及分类结果进行初步的分析。 同时使用微阵列显著性分析（significant analysis of microarray ，SAM）和ReliefF 法与RF 比较，结果显示随机森 林选择的特征基因包含更 分类信息，分类准确率更高。结合该方法自身具有的分类方面的诸 优势，随机森林 可以作为一种可靠的基因表达谱数据分析手段被广泛使用。 ： 关键词 肿瘤；特征选择；随机森林；SAM ；ReliefF ： 中图分类号 TP391 0 引 言 集进行特征基因的选择，然后将所选结果结合支持 向量机 support vector machine ，SVM 对原数据 ( ) 在肿瘤的预测及治疗过程中，通常需要对病变 集分类比较，最后分析实验结果。 部位的组织样本进行DNA 提取，得到每个样本对 应各基因的表达谱数据。这些数据通常具有小样 1 方法及原理 本、超高维的特点，即临床样本少而包含的基因有 成千上万，其中包含有用信息的基因只占很小一部 1.1 随机森林法 分，大量冗余基因和噪声给研究人员的工作造成很 随机森林是一种操作方便、结果可靠的分类 大困难。此外，利用原始数据构建分类器对新样本 器，在不增加原样本集样本的情况下通过拔靴法 进行预测，不但会花费大量时间，还会降低分类效 （bootstrap）选择样本子集构建一组分量分类器， 果。因此，特征选择在表达谱数据分析过程中是不 然后利用投票 （voting）机制综合分量分类器的结 可或缺的，是研究人员挑选有价值的基因进行有针 果得到最终分类结果。在构建分量分类器时，未被 对性和高效的研究的重要手段。根据特征选择过程 选中的样本组成袋外（out-of-bag，OOB）数据集， 与分类器设计的关系，特征选择算法一般可以分为 用袋外数据进行测试得到袋外误差 （out-of-bag 过滤法（filter）、绕封法（wrapper）和嵌入法 error，OOB Err）。随机森林有很多优点，如：不 [1] 其中， ， 、适用于变量数目远大于样本数 （embedded） 。 filter 法独立于分类器 需要对数据预处理 wrapper 法和Embedded 法与分类器结合使用。本 目的问题、对多类问题处理方便快捷、不会过拟合 文采用的随机森林（random forests ，RF）属于 （overfitting）、分类结果稳定等。随机森林的分类