研究生建模竞赛题A.docVIP

2010年全国研究生数学建模竞赛A题 确定肿瘤的重要基因信息 ????——提取基因图谱信息方法的研究 癌症起源于正常组织在物理或化学致癌物的诱导下，基因组发生的突变，即基因在结构上碱基对组成或排列顺序改变该基因转录的mRNA的多少来衡量的DNA微阵列（DNA microarray）,也叫基因芯片，是近年发展起来的一种能快速、高效检测DNA片段序列、基因表达水平的新技术。它将几百个到上百万个不等的称之为探针的核苷酸序列固定在小的（约1）玻璃或硅片等固体基片或膜上，该固定有探针的基片就称之为DNA微阵列。核苷酸分子在形成双链时遵循碱基互补原则，可以检测出样本中与探针阵列中互补的核苷酸片段，从而得到样本中关于基因表达的信息。随着大规模基因表达( Gene?expression?profile?,或称为基因表达分布图) ?技术的发展基因表达分布图基因表达数据的分析与建模已经成为生物信息学研究领域中的重要课题。在分子水平上基因表达分布图准确地进行肿瘤亚型的识别对诊断和治疗肿瘤具有重要意义。DNA?芯片测量的千个基因中出决定样本类别的一组基因“标签”,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。,一些基因的表达水平在所有样本中都非常接近。例如，不少基因在急性白血病亚型（ALL,AML）两个类别中的分布无论其均值还是方差均无明显差别,可以认为这些基因与样本类别无关,没有对样本类型的判别提供有用信息,反而增加信息基因搜索的计算复杂度。因此,必须对这些“无关基因”进行剔除。1999 年《Science》发表了Golub 等针对上述急性白血病亚型识别与信息基因选取问题的研究结果[1] 。Golub 等以“信噪比”(Signal to noise ratio) 指标作为衡量基因对样本分类贡献大小的量度,采用加权投票的方法进行亚型的识别,仅根据72个样本就从7 129 个基因中选出了50 个可能与亚型分类相关的信息基因。Golub 的工作大大缩小了决定急性白血病亚型差异的基因范围，给出了亚型识别的基因依据，富有创造性。Guyon 等则利用支持向量机的方法再从中选出了8个可能的信息基因[2]。 但信噪比肯定不是衡量基因对样本分类贡献大小的唯一标准，肿瘤是致癌基因、抑癌基因、促癌基因和蛋白质通过多种方式作用的结果，在确定某种肿瘤的基因标签时，应该设法充分利用其他有价值的信息。有专家认为[3]在基因分类研究中忽略基因低水平表达差异不大的表达被与临床问题相关的主要生理学信由于基因表示存在着很强的相关性，所以对于某种特定的肿瘤，似乎有大量的基因都与该肿瘤类型识别相关，但一般认为与一种肿瘤直接相关的突变基因数目很少选择最好的？相对于基因数目，样本往往很小，如果直接用于分类会造成小样本的学习问题，如何减少用于分类识别的基因特征是分类问题的核心，事实上只有当这种特征，分类的效果才好。从分类的角度确定基因“标签”？1999 年Golub在《Science》发表的文章），有的噪声强度甚至较大，对含有噪声的基因表达谱提取信息时会产生偏差。通过建立噪声模型，分析给定数据中的噪声能否对确定基因标签产生有利的影响？ (4)在肿瘤研究领域通常会已知若干个信息基因与某种癌症关系密切，融入诊断肿瘤信息确定基因“标签”的临床生理学信T. R. Golub, et al. Monitoring and Class Prediction by Gene Expression，Science, Vol. 286, pp.531-537 (1999); [2]Guyon I , Weston J , Barnhill S , et al . Gene selection for cancer classification using support vector machines [J ] . Machine Learning ,2000 ,46(13) :389 - 422. [3] Z. Sun, P. Yang, Gene expression profiling on lung cancer Outcome Prediction: Present Clinical Value and Future Premise, Cancer Epidemiology Biomarkers Prevention, 2006, 15(11): 2063-2068 [4]李颖新,刘全金,阮晓钢，急性白血病的基因表达谱分析与亚型分类特征的鉴别，中国生物医学工程学　报，Vol. 24, No. 2, pp.240-244(2005) 2. 数据及其说明：project-data.zip,提供的文件说明 3.