【摘要】：隨著DNA微陣列技術(shù)的發(fā)展,DNA微陣列技術(shù)在基因診斷和輔助疾病方面的應(yīng)用也越來越普遍。如今,癌癥病變高發(fā)情況下,引入DNA微陣列技術(shù),幫助人類探索生物分子方面的信息,對提高癌癥治愈的成功率具有重要意義。但由DNA微陣列技術(shù)衍生的基因表達(dá)譜數(shù)據(jù),具有高維小樣本的特性,對其直接進(jìn)行數(shù)據(jù)分析較為困難。因此,對高效特征選擇算法的研究引起了廣大學(xué)者的關(guān)注。根據(jù)基因表達(dá)譜數(shù)據(jù)的特性,本文提出兩種用以提高癌癥特征基因分類準(zhǔn)確率的特征基因選擇算法。在經(jīng)典遺傳算法的基礎(chǔ)上,提出一種結(jié)合自適應(yīng)遺傳算法和學(xué)習(xí)自動機(jī)的癌癥特征選擇與分類方法AGALA。該方法根據(jù)個體適應(yīng)度值的大小調(diào)整交叉操作的交叉率和變異操作的突變率,平衡算法的全局搜索能力與局部搜索能力。同時加入學(xué)習(xí)自動機(jī)的獎懲操作,增強(qiáng)算法搜索新個體的能力,避免算法在迭代后期出現(xiàn)“早熟”現(xiàn)象,并加快算法搜索到最優(yōu)特征基因子集的速度。在標(biāo)準(zhǔn)粒子群算法的基礎(chǔ)上,提出了一種具有自適應(yīng)反向?qū)W習(xí)機(jī)制的SRPSO算法。SRPSO方法先使用T檢驗進(jìn)行數(shù)據(jù)篩選去除冗余基因,降低算法搜索負(fù)擔(dān),后將SRPSO作為特征空間的搜索引擎,結(jié)合支持向量機(jī),選擇出分類性能較強(qiáng)的特征基因。SRPSO算法采用自適應(yīng)種群迭代次數(shù)調(diào)整學(xué)習(xí)因子,以控制粒子搜索最優(yōu)位置的速度,并采用反向?qū)W習(xí)機(jī)制,讓算法搜索新個體,防止算法在迭代后期陷入停滯。實(shí)驗表明,與傳統(tǒng)的算法相比,本文所提出的兩種算法具有較高分類準(zhǔn)確率,在癌癥基因表達(dá)譜上得到的特征基因子集規(guī)模更小,有利于提高癌癥分類的準(zhǔn)確率。
【圖文】：

圖 2.1 熒光標(biāo)記法基因芯片的制備流程A 微陣列的制作方式和適用范圍的不同，有不用的分類方式的不同，可將 DNA 微列陣分為原位合成型（InsituSynPre-synthesized）等。這兩種微陣列又分別被稱為寡核otidesArrays）[27,28]和 cDNA 微陣列（cDNAMicroarrays）為不同細(xì)胞（或組織）基因表達(dá)差異分析和用來對 DNAA 微陣列和寡核苷酸微陣列這兩種技術(shù)，在芯片的制備及，因此在分析上也略有不同。A 芯片片誕生于斯坦福大學(xué) Pat Brown 實(shí)驗室，cDNA 的探針成 cDNA 分離得到的。在制備樣本時，對于 mRNA 樣本為控制樣本（controlsample）和一組為待測樣本（treatme熒光標(biāo)記，使用綠色熒光素標(biāo)記控制樣本，待測樣本使用兩個樣本標(biāo)記混合物與 cDNA 芯片上的探針進(jìn)行雜交，之

串中隨機(jī)的選定一個交叉點(diǎn)，互換，實(shí)現(xiàn)算法的全局搜索能力。變異些基因進(jìn)行突變替換。這樣的Pc和算法的尋優(yōu)搜索能力，還可以為ningAutomata，LA）是一種抽象交互來尋得最優(yōu)值。根據(jù)環(huán)境所率分布狀況，最終將概率值收斂所屬環(huán)境，環(huán)境使用升壓信號返變自身的處境，然后選擇下一個 ， ，， }為輸入子集， 獎懲概率值的子集。LA 方法的RandomEnvironment
【學(xué)位授予單位】：長春工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP18;R730

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳萬青;李賀;孫可欣;鄭榮壽;張思維;曾紅梅;鄒小農(nóng);顧秀瑛;赫捷;;2014年中國惡性腫瘤發(fā)病和死亡分析[J];中華腫瘤雜志;2018年01期

2 孫剛;張靖;;面向高維微陣列數(shù)據(jù)的混合特征選擇算法[J];小型微型計算機(jī)系統(tǒng);2015年06期

3 汪民樂;;遺傳算法的收斂性研究[J];計算技術(shù)與自動化;2015年01期

4 蔡君;王宇;;基于有監(jiān)督學(xué)習(xí)的應(yīng)用識別研究[J];廣東技術(shù)師范學(xué)院學(xué)報;2013年07期

5 郭坤;王浩;姚宏亮;李俊照;;邏輯回歸分析的馬爾可夫毯學(xué)習(xí)算法[J];智能系統(tǒng)學(xué)報;2012年02期

6 唐慧豐;譚松波;程學(xué)旗;;基于監(jiān)督學(xué)習(xí)的中文情感分類技術(shù)比較研究[J];中文信息學(xué)報;2007年06期

7 張煥萍;宋曉峰;王惠南;;基于離散粒子群和支持向量機(jī)的特征基因選擇算法[J];計算機(jī)與應(yīng)用化學(xué);2007年09期

8 胡永雋;何池全;肖華勝;繆金明;;食品企業(yè)污水中細(xì)菌的基因芯片快速檢測技術(shù)[J];上海環(huán)境科學(xué);2006年01期

9 李穎新,劉全金,阮曉鋼;急性白血病的基因表達(dá)譜分析與亞型分類特征的鑒別[J];中國生物醫(yī)學(xué)工程學(xué)報;2005年02期

10 林彤,孫建方;運(yùn)用cDNA芯片技術(shù)對惡性黑素瘤相關(guān)基因的研究[J];中華皮膚科雜志;2004年02期

本文編號：2683068