基于多特征的集成分类器在基因表达数据分类中的应用

论文摘要

随着人类基因组计划的发展,DNA微阵列技术作为一项革命性的技术应运而生。它可以自动、快速、高效的检测成千上万个基因的表达情况,通过分析所产生的基因表达数据,可以在分子层面了解细胞的生理状态,如生存、增殖、分化、凋亡、癌变和应激等等。这些问题对于医学临床诊断、药物疗效判断、解释疾病发生机制等方面有重要的作用。基因表达数据数目巨大且极其复杂,人们通过医学影像学的方法很难直接对其做出解释。因此,基因表达数据分类成为了生物信息学领域中一个十分困难的问题。早期,人们常常使用模式识别的方法,借助计算机的强大计算能力对其进行分类,取得了一些成果。最近几年,随着机器学习算法在生物信息学领域的应用日益广泛,机器学习的算法作为一种新兴的解决问题的方法被不少学者提出,用于基因表达数据分类。但遗憾的是,由于基因表达数据特有的样本少、特征多、非线性的特点,直接使用机器学习的方法还存在着一定的困难。这主要是因为:1.过多的特征使得重要特征被众多无关特征掩盖,使得分类器难以学习。2.样本数目过少,使得大部分分类器出现过拟合现象。为了解决特征众多的问题,往往通过对原始数据进行特征基因抽取以达到降维的目的;对于样本少的问题,常常采用分类器集成的方法来增强单个分类器的学习能力,从而提高分类的准确率。对于一个优秀的基因表达数据分类系统而言,特征基因的选择和分类器的集成是必不可少的两个步骤。然而,这两个步骤在实际应用往往是孤立进行的,前一个步骤并不能很好的为下一步奠定一个良好的基础,甚至有可能降低整体系统的分类准确率。本文通过总结前人常用方法的优缺点,将特征基因的选择与分类器的集成有机的结合起来,提出了基于多特征的集成分类器方法。其算法思想如下:该方法首先使用不同的特征基因提取算法如相关性分析,Golub方法,t检验方法等对数据进行特征提取,得到样本的多个特征子集。然后通过可重复采样技术,在不同的特征子集中抽取样本形成训练子集。由于训练子集是在不同的特征子集中抽取的,所以具有更大的差异性。而后使用一组神经网络学习这组特定的训练子集,为了保证神经网络不陷入局部最优,训练采用粒子群优化算法(PSO)。最后,基于“Many could be better than all”的选择性集成思想,使用分布估计算法(EDA)选取最优的神经网络分类器进行集成,做出最后的分类判决。为了验证方法的有效性,实验采用了国际通用的基因表达数据集Leukemia、Colon、Ovarian、Lung Cancer进行分类实验。结果表明,使用本文提出的方法比其他方法具有更高的分类准确率和稳定性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的背景、目的和意义
• 1.2 国内外研究动态
• 1.3 论文的组织结构
• 第二章 基因表达数据
• 2.1 DNA 微阵列
• 2.1.1 微阵列的两种类型
• 2.1.2 微阵列技术的应用
• 2.2 基因表达数据的获取
• 2.3 基因表达数据的预处理
• 2.3.1 数据清洗
• 2.3.2 缺失数据处理
• 2.3.3 数据转换
• 2.3.4 数据过滤
• 2.3.5 数据标准化
• 第三章 基因表达数据的特征选择算法
• 3.1 传统的基因选择算法
• 3.1.1 倍数分析
• 3.1.2 Golub 方法
• 3.1.3 t 检验
• 3.1.4 Wilcoxon 秩和检验
• 3.2 基于相关性分析的基因选择算法
• 第四章 基因表达数据常用的分类算法
• 4.1 传统的分类算法
• 4.1.1 朴素贝叶斯方法
• 4.1.2 决策树
• 4.1.3 人工神经网络
• 4.1.4 支持向量机
• 4.2 集成分类器算法
• 第五章 基于多特征的集成分类器模型
• 5.1 传统的集成分类器算法的不足
• 5.2 基于多特征的集成分类器算法
• 5.2.1 基于特征的bagging 采样
• 5.2.2 子分类器的设计和学习算法
• 5.2.3 基于EDA 的选择性集成算法
• 5.3 基于多特征的集成分类器算法的算法框图
• 第六章 基因表达数据分类
• 6.1 实验数据来源
• 6.2 数据预处理
• 6.3 特征提取
• 6.4 基于多特征的集成分类器
• 6.4.1 训练集
• 6.4.2 PSO-NN 二分类模型
• 6.4.3 基于EDA 的选择性集成
• 6.5 实验结果与分析
• 第七章 总结和展望
• 致谢
• 参考文献
• 攻读学位其间发表论文目录