基因表达谱数据特征选择算法分析-流行病与卫生统计学专业论文.docxVIP

摘要 摘 要 Abs Abstract I I III III 摘 要 基因芯片技术是一种新型的分子生物学技术，也是一项具有深远影响的重大科学 成就。基因芯片技术可以快速准确的生成大量的微阵列基因表达谱数据，使人们从分 子水平上了解基因的表达模式和微观层面上研究生命现象。由于基因表达谱数据具有 样本小、维数高、噪声大、冗余基因大量存在、分布不平衡等特点。所以，采用合适 的方法降低特征维数，选择具有代表性的特征基因就成为一项重要的数据处理的工作。 针对基因表达谱数据样本小，分布不平衡，噪声大，不符合正态模型的特点。提 出了两种基于稳健统计思想的估计量，这两种统计量即考虑了样本总体的信息，但同 时避免过于依赖对正态模型的假设。实验表明，将这些统计量应用到 T 统计量算法选 择差异表达基因的问题中，获得了较好的分类效果。 支持向量机技术是一种基于结构风险最小化的分类技术，L-J 算法是一种通过研究 支持向量机分类提出的特征选择算法。根据 K-L 变换理论，任意向量都可以写成正交 空间中投影到各个坐标的分量的和的形式。因此，改进后的 L-J 算法用分类超平面的 梯度向量在各坐标轴的分量取代了梯度向量与各坐标轴的夹角计算，同时能获得与 L-J 算法相同的效果。 针对基因表达谱数据含有大量冗余基因，冗余基因的存在影响分类效果的问题， 提出了一种基于相关系数的方法将基因表达谱数据的每个基因映射成为特征空间的向 量，然后在特征空间将映射后的向量按某种规则聚类，聚类完成后，在每一子类中选 取一个代表向量组成特征子集。实验表明，该算法降低了特征维数，提高了分类效果。 遗传算法是一种智能化的大规模搜索算法。本文在充分考虑基因表达谱数据的特 点的基础上，提出了一种应用于特征选择的改进型遗传算法。该算法将遗传算法，免 疫算法，过滤法，启发式方法，支持向量机分类技术相结合，获得了较小的，分类能 力较强的特征子集。 关键词 微阵列基因数据；特征选择；稳健统计；支持向量机；聚类；遗传算法； Abstract The gene microarray technology is a new molecular biological technology with great influence. Gene microarray makes it feasible to obtain large number of gene expression data so that people understand gene expression patterns from the molecular level and study biological phenomena in the micro perspective. But the dataset has some traits, such as small samples, high dimensionality, big noise, large number of redundant genes, uneven distribution. It is an important preprocessing technique to choose an appropriate method to reduce the feature dimension and choose the representative genes. Gene expression data is small, uneven distribution, noisy and does not meet the normal distribution. This paper proposes two estimators based on theory of robust statistics. The two statistics do not only take the information of overall sample into account, but also avoid over-dependence on the normal model assumptions. The experiments show that it obtain a better classification accuracy when these estimators are applied to the T-statistic algorithm to select differentially expressed genes. Support vector machine is a classification technology bas