检索历史 清除

摘要自从20世纪90年代以来，美国率先启动的人类基因组计划(HumanGenomeProject，简称HGP)带来了前所未有的数据爆炸，然而数据并不等于信息和知识，仅是信息和知识的源泉，对科学家而言，最关键的问题在于如何从数据中找到揭示生命奥秘的钥匙。如此伟大的动力就诞生了一门新兴的交叉科学，这就是生物信息学。通过对生物学实验数据的获取、加工、存储、检索与分析，生物信息学成为解开生物数据所蕴含的生物学意义的强大工具。同时，随着人类基因组计划进一步的快速发展，生物信息学在人类疾病与功能基因的发现与识别、基因与蛋白质的表达与功能研究方面都发挥着关键的作用。尤其在疾病诊断领域，生物信息学方法结合90年代中期发展起来的一项前沿生物技术——生物基因芯片，通过对全基因表达图谱进行数据挖掘，成功地将临床表征不明或容易误诊的恶性肿瘤准确、快速地区分开，从而为癌症的早期诊断与及时治疗做出了重要的贡献。 本课题的重点就是利用基因芯片数据产生的基因表达图谱和生物信息学中的模式识别方法，对不同种类的癌症样本加以分类。针对基于芯片数据的复杂性和各种分类方法的特点，文中使用了两种不同的模式识别体系，其基本思想均为先降维再分类最后预报。第一种是分别使用t检验、方差分析进行变量选择或使用核函数进行数据重组完成降维，再与人工神经网络算法——自组织映射结合完成分类预报；第二种是核映射(KernelTrick)方法与偏最小二乘联用构成的非线性偏最小二乘作为分类器。通过对急性白血病、肺癌、前列腺癌以及扩散大B细胞淋巴癌等四套基因芯片数据的实验，证明了本文提出的分类方法具有很高的正确率和较好的稳定性。此外，借助LeaveOneOut(LOO)和5-fold交叉验证以及方差分析等统计学分析方法，对不同降维方法的降维效果以及数据集特点进行了讨论。 本文最大创新之处为将核映射引入降维操作中，使通常处理多样本少变量的核函数巧妙地应用于少样本多变量的问题中。由于样本采集难度大，一般进行基因芯片实验的样本个数在200以内，大多100左右，而基因个数均在5000以上。这种变量数远大于样本数的体系，对降维有非常高的要求以及敏感性。传统基因选择方法，即通过计算不同规则下的重要性大小指标值，继而排序，最后确定重要基因的方法，往往具有比较大的“主观性”；并且不同方法产生的重要基因也不尽相同，往往是非常不同。因此，在线性分类器之前，利用核函数将高维的复杂体系映射至特征空间，使新生成的数据矩阵的维数等同于原数据的样本维数，无形中实现了降维，并大大提高了分类的正确性同时降低了计算复杂度。为了使特征映射满足不同数据集的要求，文中采用了多项式核函数、ANOVA核函数、二级多项式核函数，多项式-ANOVA核函数等四种不同形式的核函数，并借助比对系数(AlignmentIndex，AI)和特征向量聚类指数(ClusterIndex，CI)，针对不同数据确定不同的核函数，以达到最好的分类效果。论文最后，以预报正确率为标准，给出了所有降维方法对与每套芯片数据处理结果的综合评价。 基因芯片数据，在癌症诊断领域的应用得到越来越多的关注，各种化学、物理、生物、数学、统计等学科都灵活地应用于基因芯片数据挖掘的研究中。但万能钥匙是不存在的，没有一种方法可以对所有的芯片和所有的癌症都得到准确的分辨结果。因此，本文的数据处理方法也不是对所有的实验数据具备最好的分类效果，但是在越来越多的生物信息学研究者的不懈努力下，生物技术结合数据分析方法会成为癌症诊断的突破口，为无数癌症患者带来福音。