基于聚類分析的蛋白質質譜數據分析研究.pdf

1、癌癥危害人類健康，是僅次于心腦血管疾病的第二大殺手。隨著人類基因組計劃的實施，對于癌癥發(fā)病機理的研究已進入到分子水平，雖然癌癥是由遺傳基因決定，但卻是由蛋白質表達，因此對于蛋白質的研究同樣是必不可少的。蛋白質質譜技術是研究蛋白質組學的有力工具。經過研究發(fā)現，癌癥發(fā)病的早期階段，即使病人體征沒有發(fā)生任何變化，但是體內某些蛋白質水平已經發(fā)生改變，這些發(fā)生改變的蛋白質稱之為生物標志物（biomarker）。尋找與分析生物標志物無論是對癌癥的早

2、期診斷與治療還是疾病的抗藥性分析都是至關重要的，因此，如何發(fā)現新的特異性生物標志物已成為蛋白質組學研究的熱點問題。在模式識別中，有兩類問題與蛋白質組學研究相對應，癌癥診斷與模式分類相對應，生物標志物的篩選與特征選擇相對應。
　　在模式識別中，線性判斷分析（LDA）是經典的特征提取算法。但是，由于原始SELDI-TOF質譜數據具有如下特點：數據容量大，某些數據集數據個數達到幾百萬；特征維數大，一般具有上萬個蛋白質特征維數；樣本數據小

3、，不過幾十至上百；“小樣本”問題嚴重；數據中含有大量噪聲，因此極易對數據分析造成影響，會使 LDA特征提取算法失效。另外，與特征選擇算法不同的是，特征提取算法將蛋白特征在原有空間上進行映射，映射到其他空間即產生新的特征，雖然在新的空間中特征具有較高的分類效果，但是在新空間中生物學意義已經丟失，不利于生物學意義上的解釋。針對以上問題，本文考慮結合零空間LDA算法，利用基于近鄰傳播的聚類分析解決“小樣本問題”，降低SELDI-TOF質譜數據

4、的特征維數和特征之間的相關性，之后運用SVM-RFE特征選擇算法進行特征選擇以便于保留生物學意義，從而挑選出較高分辨率且具有保留生物學意義的蛋白質特征位點。
　　本文實驗選用三個公共數據集，其中兩個為卵巢癌數據集、一個為前列腺癌數據集以及一個臨床乳腺癌樣本數據集進行數據分析和實驗。所得結果與其他經典方法從分類性能和相關性進行比較。實驗結果表明，基于近鄰傳播的聚類分析在多個樣本數據集上不僅可以降低特征間的相關性而且提高了分類性能，并