[发明专利]基于MFA score和排除冗余的基因表达谱特征选择方法

说明书

技术领域

本发明涉及生物信息学肿瘤基因数据处理技术领域，是一种针对肿瘤基因表达谱的特征选择方法。 

背景技术

随着生物信息学的不断发展，大量的基因表达数据被获取，特别是肿瘤的基因表达数据。用机器学习的方法对这些数据进行分析并获得分类特征基因，有助于肿瘤早期诊断，近年来一直是生物信息学研究的热点。由于肿瘤基因表达数据的维数一般是几千甚至上万，它会影响机器学习算法的效率，甚至降低学习的效果，这就是所谓的“维数灾难”，特征选择方法可以从成千上万个基因中选择出带有较多分类信息的基因，这不但改善了学习的效率，提高了学习的精度，而且有重要的生物学意义，可以帮助人们寻找癌症的致病基因，从基因表达的角度解释肿瘤的成因。 

近些年来，很多特征选择方法被提出，这些方法主要分为两类：过滤器方法和包装器方法，独立于分类器的选择那些带有较多分类信息的过滤器特征选择方法由于有运算速度快、可以处理占内存空间较大的数据等优点被广泛采用，此类算法有：t-test，Fisher score，Laplacian score等，其中t-test、Fisher score是有监督的算法，而Laplacian score是无监督的算法。近年来有学者提出了基于MFA的特征选择方法，即MFA score，它是一种过滤器特征选择方法，利用 MFA的准则来分别判定样本的每一特征，每一特征都得到一个分值，根据分值大小来排列所有特征，最后选择靠前的带有较多类别信息的特征子集。MFA score的优势在于它们适用于任意空间分布的训练样本，尤其在样本数目较少时，样本的分布形状不规则，这时它有很好的表现，MFA score不用求解特征方程，算法的复杂度较小。然而肿瘤基因表达谱的特征冗余很高，这种方法不能排除其中的冗余，在一定程度上影响了分类效果。 

发明内容

本发明的目的在于针对现有技术中的不足，提供了一种基于MFA score和排除冗余的基因表达谱特征选择方法。针对肿瘤基因表达数据的高冗余这一特点，利用Pearson相关系数来判断基因间的相关性，将高相关的基因即冗余基因排除，最终得到基因子集，进一步缩减了特征维数，提高了分类器的分类精度。本发明有助于肿瘤的早期诊断，可以帮助人们寻找癌症的致病基因，从基因表达的角度解释肿瘤的成因。 

为实现上述目的，本发明采用的技术方案实现步骤如下： 

1)构造肿瘤样本的类内近邻矩阵W_w和类间近邻矩阵W_b。 

利用DNA芯片测定肿瘤基因表达谱，表达谱中n个样本(n代表不同的患者)组成的集合可以表示为：X＝[x₁,x₂,...,x_n]， (i＝1,2,...,n)代表一个有m个基因的样本(n<<m)。肿瘤样本集合还可以写成X＝[f₁,f₂,....,f_m]^T，(j＝1,2,...,m)是一个基因在各个样本中的表达值组成的向量。根据肿瘤样本间的欧氏距离和类别 信息(其类别信息为有病、无病或肿瘤的亚型)，对于每一个样本，在与之同类的子集中选择k₁个近邻，在与之不同类的子集中选择k₂个近邻，这样分别构造出类内近邻矩阵W_w和类间近邻矩阵W_b：