肿瘤特征基因提取方法研究

论文摘要

肿瘤的发生和发展是一个复杂的多阶段过程。它通常是由于某些基因突变和异常表达所致,或者进一步影响另外一些基因的表达,从而导致细胞内一些蛋白质分子发生改变,并由此产生肿瘤病理学上的差异,因而形成了临床诊断中的不同分类。所以肿瘤治疗的挑战在于不同病理的肿瘤类型需要相应的治疗方案,从而获得最大的功效并使患者受到最小的伤害。而对于肿瘤基因表达数据集进行分类是治疗中的一个关键的问题。本文研究了肿瘤基因表达谱数据,根据其数据特性和生物机理,提出了两种特征基因选择的方法。本文主要做了以下几方面工作:第一,提出了Kmeans_iic方法。将此算法应用到结肠癌表达谱数据中,提取到22个特征基因并且正确率达到86.4%。继续推广到前列腺癌、混合系白血病表达谱数据的特征基因选择中,其正确率分别达到92.29%和93%,并且获得重要的特征基因。从而说明该方法能从庞大的基因表达谱数据中提取重要的特征基因,并且所提取的特征基因对疾病的临床诊断和生物医学研究有重要的参考和借鉴作用。第二,提出Relief_ AGA _SVM方法。此方法是结合算法,主要使用自适应算法并结合模式识别的方法来提取特征基因。它弥补了遗传算法易于陷入局部收敛的缺点。将其应用于肿瘤基因的特征提取,不仅较好地提高了算法的效率,也识别出重要的特征基因。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 基因表达数据的概念
• 1.2 基于基因表达数据提取肿瘤特征的研究现状
• 1.3 本课题的研究目的和意义
• 1.4 主要内容与创新点
• 1.5 论文结构与安排
• 第二章 相关算法的理论基础
• 2.1 数据挖掘
• 2.1.1 数据挖掘的定义
• 2.1.2 数据挖掘的功能
• 2.2 特征选择方法综述
• 2.2.1 特征选择的基本概念
• 2.2.2 典型特征选择算法
• 2.3 支持向量机
• 2.3.1 用于两类分类的支持向量机
• 2.3.2 用于基因表达数据的支持向量机
• 2.4 遗传算法
• 2.4.1 机理
• 2.4.2 遗传算法的特点
• 2.4.2.1 遗传算法的优点
• 2.4.3 实现步骤
• iic 特征选择算法'>第三章 基于 Kmeans_iic 特征选择算法
• 3.1 相关算法
• IIC 算法'>3.1.1 KMEANS_IIC 算法
• 3.1.1.1 Kmeans 算法思想
• 3.1.1.2 分类信息指数
• 3.1.2 基于支持向量机的样本分类
• 3.2 实验
• 3.2.1 实验数据描述
• 3.2.2 实验参数与步骤
• 3.3 试验结果与分析
• 3.3.1 试验结果
• 3.3.2 对照试验
• 3.3.3 比较研究
• 3.3.4 生物学意义解释
• 3.4 算法应用推广
• 3.5 小结
• AGA_SVM 特征选择算法'>第四章 基于 Relief_AGA_SVM 特征选择算法
• 4.1 算法提出的动机
• 4.1.1 Relief 评估算法
• 4.1.2 k 最邻近方法
• 4.1.3 自适应遗传算法
• AGA_SVM 算法描述'>4.2 Relief_AGA_SVM 算法描述
• 4.3 统计分析
• 4.4 试验数据
• 4.4.1 数据集
• 4.4.3 实验步骤
• 4.5 试验结果与分析
• 4.5.1 选主基因
• 4.5.2 分类预测
• 4.5.3 比较分析
• 4.5.4 生物意义分析
• 4.6 小结
• 第五章 结论和展望
• 致谢
• 参考文献
• 攻硕期间取得的研究成果