基于SVM法线算法的特征基因提取.pdfVIP

2 0 0 8 年 6 月 　　　　　 　　　 　　　　　　　农 机 化 研 究 　　　　　　　　　　　　　　　　　第 6 期 基 于 SVM 法 线算法 的特 征基 因提 取 谷耀军 , 何东健 , 张 　阳 (西北农林科技大学 信息工程学院 , 陕西 杨凌 　7 12 10 0 ) ) 摘 　要 : 鉴于特征提取在基 因分类 中扮演 的重要作用 , 提 出了一种基于支持 向量机法线算法 的特征提取方法 。 首先 ,使用线性支持 向量机对训练样本进行训练 , 求 出支持 向量 ; 然后 , 根据 SVM 法线算法计算各特征 的权重 , 来获得法线 向量 , 剔除数据集 中权重较小的冗余特征基 因 ; 最后 ,使用线性支持 向量机分类器实现对有效特征基 因子集 的分类 。用急性 白血病数据集和结肠癌数据集进行了实验 , 结果表 明 : 该方法识别效果 良好 ,适应性强 。 关键词 : 基因表达谱 ; 特征提取 ; 支持向量机 ; S V M 法线算法 中图分类号 : Q 344 + . 13 　　　　　　　文献标识码 : A 文章编号 : 1003 - 188X (2008 ) 06 - 0 14 5 - 04 进行检验 。用提出的方法 ,通过实验得到两组特征基 0　引言 因 ,根据这两组特征基因可实现对急性 白血病和结肠 近年来 , DNA 芯片技术得到了蓬勃发展 ,每天都有 癌数据集的准确分类 。 大量的 DNA 序列数据涌现 ,在如此海量的生物信息数 1　特征基因提取 据库中 ,隐藏着与生理学和医药学有关的重要信息 。 因此 ,采用有效的手段 ,从这些表达数据中准确提取它 鉴于计算机 CPU 和内存资源的限制 ,若 SVM 分类 的生物特征 , 比较患病组织与正常组织之间的基因表 器在训练过程中将整个数据集存储在 内存中 ,加之庞 达差异 ,找出影响样本类别的特征基因 ,实现对致病基 大的特征集合含有大量的冗余基因 ,将会增加分类器 因的准确识别 ,对疾病的诊断和治疗有重要的意义 。 的时间和计算复杂度 ,严重影响最终分类效果 。因此 , 针对该类问题 , Go lub等 [ 1 ] 以加权投票法为分类手 必须在原有训练集中提取一个最优的特征子集 ,该子 段 ,对白血病的两种已知亚型 AML 与 ALL 的分类问题 集需表征原有特征集合的全部或者绝大部分类别信 进行了研究 ,并采用 留一法 和独立测试进行分类有 息 ,这是能否提高基因样本识别率的关键 。特征基因 效性的评估 ; A lon 等 [ 2 ] 用层次聚类方法对结肠癌样本 提取步骤如下 : 数据进行了分析研究 ,选出了含有 2000 个特征基因的 1) 对训练集使用线性 SVM 进行训练 ,产生分类模 数据集合 。当前 ,对基因表达数据进行分类分析的主 型 。每个分类模型实际上是一个可以对正负例进行准 要方法还有人工神经网络 [ 3 ] 、遗传算法 [ 4 ] 、K - 近邻 确分类的超平面 ,该超平面可以用法线和阈值表示 。 法 [ 4 ] 、贝叶斯 [ 5 ] 和支持向量机 [ 6 ] 等 。 2) 用 SVM 法线算法进行特征提取 ,获取各个特征 的权重 w 。对 w 的绝对值 |w |由大到小进行排序 ,在 针对肿瘤基因表达谱数据集样本少和维数高的特 i i i 点 ,提出一种基于 SVM 法线算法的特征基因提取方法 该法线超平面中消除权重趋近于零的特征 ,并