特征選擇及其在生物信息處理中的應(yīng)用研究.pdf

1、隨著系統(tǒng)生物學(xué)的發(fā)展，基因組學(xué)、蛋白組學(xué)、代謝組學(xué)等在疾病診斷、藥物療效等方面應(yīng)用日益廣泛?；颉⒌鞍?、代謝等生物信息學(xué)數(shù)據(jù)通常是高維，而特征選擇技術(shù)能從高維數(shù)據(jù)中過濾掉噪音和無關(guān)變量，從而有效的降維。本文對(duì)特征選擇技術(shù)及其在生物信息處理中的應(yīng)用進(jìn)行研究。
　　生物信息學(xué)時(shí)間序列數(shù)據(jù)分析有助于探尋疾病的發(fā)生發(fā)展過程，尋找疾病發(fā)生的前瞻性標(biāo)志物。傳統(tǒng)的處理時(shí)間序列方法常用來處理某種監(jiān)測變量在相對(duì)較短的時(shí)間間隔下的連續(xù)測量值，主要用于

2、預(yù)測、異常點(diǎn)檢測及分類等。而生物信息學(xué)中的時(shí)間序列通常是多樣本及高維數(shù)據(jù)在時(shí)間維度上的序列，且時(shí)間點(diǎn)少。本文對(duì)生物信息學(xué)中時(shí)間序列數(shù)據(jù)處理方法進(jìn)行研究，為從大量變量中篩選反應(yīng)疾病發(fā)生的前瞻性標(biāo)志信息，提出了一種利用相對(duì)偏差思想來對(duì)時(shí)間序列特征選擇的方法wRDA。為了反應(yīng)不同時(shí)間點(diǎn)在疾病發(fā)生發(fā)展過程中的所處的階段不同，wRDA方法采用各個(gè)時(shí)間點(diǎn)上加權(quán)的相對(duì)偏差并累加來尋找疾病的前瞻性標(biāo)志信息。為驗(yàn)證wRDA方法的有效性，本文將其分別應(yīng)用到

3、一個(gè)動(dòng)物肝病實(shí)驗(yàn)和一個(gè)人群肝病的代謝時(shí)間序列數(shù)據(jù)處理中，同時(shí)，結(jié)合臨床時(shí)間序列數(shù)據(jù)處理的特點(diǎn)，兼顧樣本儲(chǔ)藏時(shí)間的影響，本文對(duì)同一時(shí)間點(diǎn)的不同采樣時(shí)間加權(quán)，將wRDA擴(kuò)展為w2RDA方法。動(dòng)物時(shí)間序列代謝組學(xué)的數(shù)據(jù)分析實(shí)驗(yàn)結(jié)果表明，wRDA能夠發(fā)現(xiàn)已知的重要的反映肝病不同病程的代謝物，同時(shí)所選變量能夠較好的區(qū)分有病與無病、肝癌和非肝癌樣本。在人群肝病的時(shí)間序列代謝數(shù)據(jù)處理中，發(fā)現(xiàn)篩選的特征子集中血清膽汁酸在癌前階段具有長期升高的現(xiàn)象，因此

4、本文推測膽汁酸為肝癌發(fā)生的風(fēng)險(xiǎn)因子。
　　針對(duì)生物信息學(xué)數(shù)據(jù)具有變量維度高、樣本少的特點(diǎn)，本文提出了一種特征選擇算法ReliefF-WS，用來過濾噪聲及降低維度。算法首先利用類重疊的思想對(duì)樣本進(jìn)行度量并賦予一定的權(quán)值，質(zhì)量好的樣本將獲得較高的權(quán)值，質(zhì)量差的樣本得到較低的權(quán)值。ReliefF算法是一種快速有效的過濾式特征選擇算法，將類重疊樣本加權(quán)的思想應(yīng)用到ReliefF算法中對(duì)其進(jìn)行改進(jìn)，可以降低ReliefF算法在特征權(quán)值更新過