面向代謝組學(xué)數(shù)據(jù)的分類算法研究.pdf

1、代謝組學(xué)(Metabonomics)是繼基因組學(xué)(Genomics)、轉(zhuǎn)錄組學(xué)(Transcriptomics)和蛋白質(zhì)組學(xué)(Proteomics)之后興起的系統(tǒng)生物學(xué)的又一重要分支學(xué)科，是定性和定量結(jié)合起來描述生物內(nèi)源性代謝物質(zhì)的整體狀況及其對內(nèi)外環(huán)境變化做出應(yīng)答的規(guī)律性科學(xué)。針對代謝組學(xué)的研究在醫(yī)藥領(lǐng)域、發(fā)病機(jī)理探討、基于代謝組的人體生理狀況研究等都有非常重要的研究價(jià)值和現(xiàn)實(shí)意義。
　　本文以代謝組學(xué)核磁共振數(shù)據(jù)(Nuclea

2、r Magnetic Resonance，NMR)和代謝組學(xué)液相色譜質(zhì)譜聯(lián)用儀數(shù)據(jù)（Liquid Chromatography Mass Spectrometry，LCMS）為研究對象，針對各個(gè)數(shù)據(jù)的特點(diǎn)分別研究了主成分分析法(PCA)、偏最小二乘法(PLS)及等距映射算法(ISOMAP)的分類精度和算法適用性，并且在此基礎(chǔ)上對于PCA和PLS算法的不足之處進(jìn)行優(yōu)化提出核主成分分析法(KPCA)和正交偏最小二乘法(OPLS)。
　

3、　其中，在數(shù)據(jù)預(yù)處理環(huán)節(jié)本文首次將獨(dú)立成分分析法(Independent ComponentsAnalysis，ICA)應(yīng)用于代謝組學(xué)數(shù)據(jù)預(yù)處理，結(jié)果顯示ICA算法能夠把代謝組學(xué)數(shù)據(jù)分離出相互獨(dú)立的分量，有效減少數(shù)據(jù)的噪聲信號(hào)。由于很多分類算法都借鑒了PCA的算法思想，所以本文仔細(xì)闡述了PCA算法的原理，然后使用PCA對第一組NMR數(shù)據(jù)進(jìn)行分類，分別繪制了樣本點(diǎn)的二維得分圖和三維得分圖(Score Plot)，其中基于性別的分類效果一般

4、，基于藥物類別的分類效果欠佳。考慮到可能是PCA算法線性模型的局限性，提出優(yōu)化算法即基于核的主成分分析法(KPCA)。通過對比顯示KPCA的分類效果有明顯的提升，但面對多影響因子問題時(shí)KPCA仍然沒有達(dá)到預(yù)期的分類效果。針對此問題提出偏最小二乘法(PLS)，PLS算法成功解決了多影響因子問題，為了使類與類之間的分離性最大，所以又對PLS進(jìn)行優(yōu)化，提出正交偏最小二乘法(OPLS)，然后又從載荷圖角度(Loading Plot)對分類結(jié)果和