半消极学习及其在生物信息学中的应用

论文摘要

近年来，随着计算机技术的高速发展，人们越来越多地以计算机为辅助工具对生物信息进行存储、检索、网络化、处理、分析、导航和可视化，从而产生了一个新兴的前沿交叉学科一一生物信息学。由于人类基因组计划的完成和后基因组时代的到来，人们拥有了可供研究的海量的生物信息。在获得了如此海量的信息后，如何对这些信息进行分析解读并挖掘出其中的有用知识，这成为了一个十分具有挑战性的研究课题。随着生物信息学的高速发展，DNA微阵列技术已经使得我们能够在重要的生物过程和相关的样本集合中，同时监测成千上万个基因的表达水平。同时，如何理解和解释随之而产生的众多数据，也对我们提出了巨大的挑战。使用机器学习的方法来分析生物信息学中的复杂数据，这是目前重要的研究领域之一。本文旨在研究的是诸多问题中的一个热点问题：基于基因表达数据的癌症分类问题。与癌症相关的基因表达数据大都有着样本少而基因个数却很大的特点。因此，研究者首先须从成千上万的基因中，挑选出对癌症分类有鉴别意义或有着相关性基因来，此工作尤为重要。继此之后，再进行分类方法的训练与预测。在本论文中，先使用偏最小二乘法，对癌症数据集进行降维，再对降低维度之后的数据集用CRN （Classifying Categorical Data by Rule-based Neighbors）算法进行分类。CRN算法是一种非度量和参数自由的分类器，它也可以视作一种基于规则归纳和实例学习的混合算法。最后将CRN算法应用在2种不同的癌症基因表达数据集白血病和结肠癌的数据集中，实验结果证明该方法的分类准确率相较于其他现有的方法非常具有竞争力。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景和意义
• 1.1.1 生物信息学概述
• 1.1.2 生物数据的特点
• 1.1.3 DNA 微阵列应用于癌症分类
• 1.2 国内外的研究现状
• 1.3 论文的组织和安排
• 第二章 生物数据的获取与分类介绍
• 2.1 生物数据的获取
• 2.2 数据预处理
• 2.2.1 缺失数据修补
• 2.2.2 数据的转换
• 2.2.3 数据归一化
• 2.3 特征基因选择
• 2.3.1 过滤法
• 2.3.2 融合法
• 2.4 基因表达数据中的常用分类算法
• 2.4.1 KNN 分类算法
• 2.4.2 人工神经网络
• 2.4.3 随机森林算法
• 2.4.4 支持向量机（SVM）
• 2.5 本章小结
• 第三章 特征基因的选取与分类器设计
• 3.1 特征基因的选取
• 3.1.1 主成分分析 （PCA） 简介
• 3.1.2 偏最小二乘法 （PLS） 原理
• 3.2 分类器设计
• 3.2.1 积极学习和消极学习
• 3.2.2 CRN 算法
• 3.3 本章小结
• 第四章 实验结果及分析
• 4.1 实验数据来源
• 4.2 使用 PLS 进行基因选择的实验结果
• 4.3 实验结果的评价标准
• 4.4 CRN 分类的实验结果及分析
• 4.5 生物学意义分析
• 4.6 本章小结
• 第五章 总结与展望
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢
• 附件