基于優(yōu)化的偏最小二乘—判別分析和核磁共振波譜的肺癌血清代謝組學研究.pdf

1、代謝組學是繼基因組學、轉錄組學和蛋白質組學之后，系統(tǒng)生物學的又一重要領域，代謝組學所面臨的核心問題之一是如何有效利用化學計量學方法對所得復雜的數據進行深入地分析和挖掘。目前，偏最小二乘-判別分析法(PartialLeast-SquaresDiscriminantAnalysis，PLS-DA)常被用于代謝組學數據分析，其以簡單的參數結構和良好的穩(wěn)定性，日益引起研究者的廣泛關注。然而，PLS-DA也存在一些缺點，比如，算法容易陷入過擬合和

2、局部最優(yōu)。本論文基于PLS-DA的優(yōu)缺點以及粒子群算法(ParticleSwarmOptimization，PSO)良好的優(yōu)化性能做了以下兩個方面的工作:
　　(1)分析了傳統(tǒng)的偏最小二乘-判別分析法容易引起過擬合和局部最優(yōu)的原因，引入粒子群算法用于同時優(yōu)化PLS-DA建模中涉及到的變量及其相應的權重和隱變量的個數，形成了一種新的算法，即，PSO-PLSDA法。在本章中，結合核磁共振技術與PSO-PLSDA法，對所收集到健康人、治

3、療后復發(fā)及新診斷的肺癌患者的血液樣本進行代謝組學分析，相對于PLS-DA法獲得的對訓練集和預測集的識別率86％和65％而言，新提出的PSO-PLSDA對這兩個子集產生98.5％和85％的識別率。另外，PSO-PLSDA還確定了多個潛在的肺癌血清代謝標志物:乳酸、脯氨酸、糖蛋白、谷氨酰胺、葡萄糖（α-和β-）、三甲胺、甘氨酸、蘇氨酸、?；撬?、肌醇、丙氨酸和谷氨酸。
　　(2)在本章中，我們從另一個角度出發(fā)對PLS-DA的性能進行改善