癌癥(惡性腫瘤)已經(jīng)成為危害人類健康的頭等問題。由基因芯片技術(shù)及二代測序技術(shù)所獲取的癌癥基因表達數(shù)據(jù)(Gene Expression Data,GED))已成為諸多研究者的挖掘熱點。此類數(shù)據(jù)維度高,但樣本數(shù)遠遠小于維數(shù),并且只有少數(shù)基因也稱特征基因參與癌癥病變。矩陣分解技術(shù)是從高維數(shù)據(jù)中提取特征基因的有效方法,然而隨著研究的不斷深入,傳統(tǒng)技術(shù)無法滿足日益增長的需求。例如:(a)無監(jiān)督矩陣分解方法存在訓(xùn)練樣本歧義性高的缺點;(b)目標(biāo)函數(shù)采用平方項計算時,往往增大了對噪聲和異常值的敏感度;(c)主成分分析(Principal Component Analysis,PCA)中主成分(Principal Components,PCs)的稠密性,使所挑選特征基因的生物學(xué)意義模糊不明確;(d)非線性數(shù)據(jù)內(nèi)部的圖譜結(jié)構(gòu)無法通過傳統(tǒng)的線性降維方法構(gòu)建。因此,通過它們進行特征學(xué)習(xí)時,很難做出合理的生物學(xué)解釋。本文通過對前人的研究進行補充完善,提高原有算法的魯棒性、稀疏性等,為下一步更深入的挖掘癌基因、預(yù)防、診斷和治療癌癥做鋪墊。(1)提出了同時具有稀疏特性和判別能力的PCA算法(SDSPCA)。由于傳統(tǒng)PCA屬于無監(jiān)督學(xué)習(xí)方法,致使訓(xùn)練樣本的歧義性較高。因此考慮在PCA上引入類別標(biāo)簽和稀疏約束,在提高PCA稀疏性的同時對具有類別標(biāo)記的訓(xùn)練樣本進行學(xué)習(xí)。新方法易于求解且收斂速度快,可以挑選到更多的公共特征基因,以及分類效果更精確。(2)提出了具有魯棒特性的圖正則PCA算法(L1/2gLPCA)。首先,引入流形學(xué)習(xí)(Manifold Learning,ML)去構(gòu)建數(shù)據(jù)內(nèi)部的幾何結(jié)構(gòu);然后通過在誤差函數(shù)上引入L1/2范數(shù),降低噪聲和異常值的影響,使算法更健壯魯棒;最后通過新算法L1/2gLPCA對GED進行特征提取,發(fā)掘其中的特征基因,實驗結(jié)果顯示新方法挖掘的特征基因的富集程度更高。(3)提出了基于Lp范數(shù)約束的圖正則PCA算法(PgLPCA)。在目標(biāo)函數(shù)上引入Lp范數(shù)約束,由于約束p可在0～1范圍內(nèi)任意取值,保證了算法的靈活性和魯棒性。圖正則約束保證了數(shù)據(jù)點的幾何關(guān)系不丟失,使樣本點間的聚類更清晰。實驗結(jié)果顯示這些新發(fā)現(xiàn)的特征基因與相關(guān)癌癥具有很大的關(guān)聯(lián)性,并且PgLPCA在聚類方面優(yōu)于其它同類方法。(4)針對GED的高維特點,提出具有去稠密和去冗余效果的稀疏PCA算法(gLSPCA)。傳統(tǒng)PCA作為線性分解技術(shù),由原始數(shù)據(jù)重新組合構(gòu)成PCs,其權(quán)重(也叫基)常稠密較多,然而每個變量都對應(yīng)一個特定的基因。如果每個PCs包含更少的非零基,PCA的效果將大大被提升。因此,引入稀疏約束過濾掉一部分冗余信息,保留那些對于研究癌癥發(fā)展有深遠意義的特征基因。(5)提出一種新的雙圖PCA算法(DGPCA)。首先,在PCA模型的PCs和基上同時引入ML,同時構(gòu)建矩陣行向和列向的幾何結(jié)構(gòu);然后通過新方法在GED中進行雙聚類,構(gòu)建數(shù)據(jù)中存在的“棋盤結(jié)構(gòu)”。該模型簡單易求解,閉合形式的解保證了算法速度。最后,實驗結(jié)果顯示該方法能有效挖掘數(shù)據(jù)中的棋盤結(jié)構(gòu)和其中存在的癌基因。
【學(xué)位單位】：曲阜師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：O151.21;R318
【部分圖文】：

多視圖數(shù)據(jù)的四個類別，每個數(shù)據(jù)集由相同特征（基因）表示的不同樣本組成。??２．?３．?２算法性能探究??ＳＤＳＰＣＡ的兩個參數(shù)ａ、／？和計算復(fù)雜度是其性能探宄的主要部分。圖２．１中記錄了參??數(shù)在｛ｌ（ＴＭ，．．．，１０２°｝范圍內(nèi)與分類精度的關(guān)系。從圖中可以看出在和??范圍內(nèi)ＳＤＳＰＣＡ可以達到最好的實驗效果。參數(shù)＃值過高時，會因為強??烈的稀疏性造成信息丟失而使得分類效果較差。??此處，我們分析了每個方法的計算復(fù)雜度。由于Ｅｖａｌｕｅ分解是最耗吋的步驟，其復(fù)雜??度為０（Ｄ３），?Ｄ是數(shù)據(jù)維度。本章中，我們的實驗數(shù)據(jù)是維度遠遠高于樣本數(shù)的ＧＥＤ。??因此，ＳＤＳＰＣＡ的復(fù)雜度為腳其屮ｚ是迭代次數(shù)。不難看出，ＳＤＳＰＣＡ的復(fù)雜??１０??

?－２０?－２０?ｂｅｔａ??圖２．１權(quán)重參數(shù)值與分類精度的關(guān)系，三個坐標(biāo)分別表示參數(shù)《和的指數(shù)以及分類精度??表２．２每個方法的運行時間比較??Ｍｅｔｈｏｄｓ?Ｔｉｍｅｓ?（ｓ．）??ＰＣＡ?０．１８６３士?０．ｌ８４３ｅ－０５??ＬＤＡ?０．２３５７土０．５６２２ｅ－０５??ＥＭＳＰＣＡ?０．３５９３±０．２６４１ｅ－０５??Ｎ－２－ＤＰＣＡ?２０８．７２３２土?１７．７２５０??Ｚ－ＳＰＣＡ?２．３９３８士?０．％２６ｅ－０５??ＰａｔｈＳＰＣＡ?０．１５３５±０．７０１０ｅ－０６??ＳＰＣＡｒｔ?１．８４０８士０．９２６６ｅ－０５??ＳＤＳＰＣＡ?０．５２６４土?０．０１０１?ｅ－０５??所對丨、Ｖ：的ＧＥＤ。這些數(shù)據(jù)可從ＴＣＧＡ數(shù)椐庫上下載，由從有相卜彳的特征（基因）不同的??樣本（組群）的數(shù)據(jù)整合而成。將多視圖數(shù)據(jù)中的樣本隨機分為訓(xùn)練集和測試集，由于每??個疾病數(shù)據(jù)的正常樣本來自不同的組織，我們將正常和疾病數(shù)據(jù)分為四類。表２．１列出了??多視圖數(shù)據(jù)的四個類別，每個數(shù)據(jù)集由相同特征（基因）表示的不同樣本組成。??２．?３．?２算法性能探究??ＳＤＳＰＣＡ的兩個參數(shù)ａ、／？和計算復(fù)雜度是其性能探宄的主要部分。圖２．１中記錄了參??數(shù)在｛ｌ（ＴＭ，．．．，１０２°｝范圍內(nèi)與分類精度的關(guān)系。從圖中可以看出在和??范圍內(nèi)ＳＤＳＰＣＡ可以達到最好的實驗效果。參數(shù)＃值過高時，會因為強??烈的稀疏性造成信息丟失而使得分類效果較差。??此處，我們分析了每個方法的計算復(fù)雜度。由于Ｅｖａｌｕｅ分解是最耗吋的步驟，其復(fù)雜??度為０（Ｄ３）

為了探索實驗挖掘的公共特征基因在多種疾病間的連接機制，我們迎過公共Ｎ站??ＫＥＧＧ進行通路分析。首先，我們將挖掘到的公共特征基因輸入到ＫＨＧＧ屮；然后將Ｐ－ｖａｌｕｅ??最高的通路結(jié)構(gòu)展示在圖２．２中，包括疾病基因、靶向藥物基因和人類基因。該圖主耍體??現(xiàn)了人體蛋白、酶的變化過程，這個過程正是體現(xiàn)了癌癥發(fā)生和發(fā)展過程屮的生物反應(yīng)。??１２??
【參考文獻】

相關(guān)期刊論文 前1條

1 王文俊;;基于類別保留投影的基因表達數(shù)據(jù)特征提取新方法[J];電子學(xué)報;2012年02期

本文編號：2889249