多组学联合缺失数据填补方法的评价-中国卫生统计.pdfVIP

·５５８· 中国卫生统计２０１７年８月第３４卷第４期 多组学联合缺失数据填补方法的评价 南京医科大学公共卫生学院生物统计学系（２１１１６６）　董学思　林丽娟　赵　杨　魏永越　戴俊程　陈　峰△ 　　【提　要】　目的　本研究旨在评价不同平台间“块缺失”数据的填补方法。如何在保证方差－协方差结构相对稳定 的前提下提高多组学数据填补的精确度，对于后期数据挖掘有重要的意义。方法　利用癌症基因组图谱（ＴＣＧＡ）数据库 的肺癌数据（甲基化数据、基因表达数据），构建不同缺失比例的数据集（缺失比例分别为５％、２０％、３５％、５０％和６５％）。 采用统计学填补方法均值法，马尔科夫蒙特卡洛法（ＭＣＭＣ）和机器学习填补法［邻近法（ｋＮＮ），随机森林法（ＲＦ），多层感 知机法（ＭＬＰ）］对缺失数据进行填补，填补后数据集与原数据集进行比较。评价指标包括估计偏差和矩阵２范数。根据 评价指标和填补时间，比较出填补效果最优、填补时间较短的方法。结果　ＭＬＰ和ｋＮＮ算法在各种缺失比例下均比其他 填补方法有更优的效果，填补时间也相对较短。均值法的时间最短，在数据集缺失比例较小时（ ５％），填补效果与其他 ≤ 填补方法相当，但在高比例缺失情况下表现较差。在数据集高比例缺失情况下，ＲＦ和ＭＣＭＣ的填补效果优于均值法，但 填补时间过长，不适用于实际工作。结论　综合比较，机器学习填补方法中的ＭＬＰ和ｋＮＮ两法适合于甲基化数据和表 达数据的填补。 【关键词】　多组学数据　块缺失　统计学填补　机器学习填补　效果评价 ＥｖａｌｕａｔｉｏｎｓｏｎＳｅｖｅｒａｌＩｍｐｕｔａｔｉｏｎＡｐｐｒｏａｃｈｅｓｏｆＩｎｔｅｇｒａｔｅｄＯｍｉｃｓＤａｔａ ＤｏｎｇＸｕｅｓｉ，ＬｉｎＬｉｊｕａｎ，ＺｈａｏＹａｎｇ，ｅｔａｌ（ＤｅｐａｒｔｍｅｎｔｏｆＢｉｏｓｔａｔｉｓｔｉｃｓ，ＳｃｈｏｏｌｏｆＰｕｂｌｉｃＨｅａｌｔｈ，ＮａｎｊｉｎｇＭｅｄｉｃａｌＵｎｉｖｅｒｓｉｔｙ （２１１１６６），Ｎａｎｊｉｎｇ） 【Ａｂｓｔｒａｃｔ】　Ｏｂｊｅｃｔｉｖｅ　ＩｎｐｏｓｔＧＷＡＳｅｒａ，ｉｎｔｅｇｒａｔｅｄｄａｔａｆｒｏｍｖａｒｉｏｕｓｐｌａｔｆｏｒｍｓｈａｓｂｅｃｏｍｅｉｎｃｒｅａｓｉｎｇｌｙｐｏｐｕｌａｒ．Ｂｅ ｃａｕｓｅｏｆｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｄａｔａｓｏｕｒｃｅｓ，ｍａｎｙｎｅｗｃｈａｌｌｅｎｇｅｓａｒｉｓｅ，ｗｈｉｃｈｉｎｅｖｉｔａｂｌｙｉｎｃｌｕｄｅｈｏｗｔｏｔｒｅａｔ“ｂｌｏｃｋｍｉｓｓｉｎｇｄａｔａ”． Ｅｎｓｕｒｉｎｇｔｈｅｉｍｐｕｔａｔｉｏｎａｃｃｕｒａｃｙａｎｄｐｒｅｃｉｓｉｏｎａｓｗｅｌｌａｓｍａｉｎｔａｉｎｔｈｅｖａｒｉａｎｃｅｃｏｖａｒｉａｎｃｅｓｔｒｕｃｔｕｒｅｏｆｔｈｅｏｒｉｇｉｎａｌｄａｔａｉｓｏｆ ｇｒｅａｔｉｍｐｏｒｔａｎｃｅｔｏｍｉｓｓｉｎｇｄａｔａｉｍｐｕｔａｔｉｏｎ．Ｉｎｔｈｉｓｐｒｏｊｅｃｔ，ｗｅａｉｍｅｄｔｏｅｖａｌｕａｔｅｔｈｅｅｆｆｅｃｔｏｆｓｅｖｅｒａｌｉｍｐｕｔａｔｉｏｎｍｅｔｈｏｄｓｂａｓｅｄ ｏｎｂｏｔｈｓｔａｔｉｓｔｉｃａｌｔｅｃｈｎｉｑｕｅｓａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｔｅｃｈｎｉｑｕｅｓ，ｏｎｔｈｅｉｎｔｅｇｒａｔｅｄｄａｔａｆｒｏｍｄｉｆｆｅｒｅｎｔｄａｔａｐｌａｔｆｏｒｍｓ．Ｍｅｔｈｏｄｓ　 Ｗｅｇｏｔｌｕｎｇｃａｎｃｅｒｄａｔａｓｅｔ（ＤＮＡｍｅｔｈｙｌａｔｉｏｎａｎｄｇｅｎｅｅｘｐｒｅｓｓｉｏｎ）ｆｒｏｍＴｈｅＣａｎｃｅｒＧｅｎｏｍｅＡｔｌａｓ（ＴＣＧＡ），ａｎｄｃｏｎｓｔｒｕｃｔｅｄ ｍｉｓｓｉｎｇｄａｔａｓｅｔｗｉｔｈｄｉｆｆｅｒｅｎｔｍｉｓｓｉｎｇｐｒｏｐｏｒｔｉｏｎｓａｔ５％，２０％，３５％，５０％ａｎｄ６５％．Ｔｈｅｓｔａｔｉｓｔｉｃａｌｍｅｔｈｏｄｓ（Ｍｅａｎｉｍｐｕｔａｔｉｏｎ ｍｅｔｈｏｄ，ＭＣＭＣ）ａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｅｔｈｏｄｓ（ｋＮＮ，ＭＬＰ，ＲＦ）ｗｅｒｅａｐｐｌｉｅｄ．Ｅｖａｌｕａｔｉｏｎｉｎｄｉｃａｔｏｒｓｉｎｃｌｕｄｅｄｅｓｔｉｍａｔｉｏｎｂｉａｓ ａｎｄｍａｔｒｉｘ２ｎｏｒｍｓ．Ａｔｌａｓｔ，ｗｅｃｏｎｓｉｄｅｒｅｄｉｍｐｕｔａｔｉｏｎ