[发明专利]高维度低样本基因数据筛选及蛋白质网络分析方法及系统

说明书

本发明提供了一种高维度低样本基因数据筛选及蛋白质网络分析方法及系统，该方法包括：对原始GBM数据进行预处理，获得GBM数据；基于所述GBM数据，进行特征提取，并在筛选出的协变量中添加每个协变量之间的交互项；针对筛选出的添加了交互项的协变量，执行回归分析，获得基因结果；针对所述基因结果，筛选得到最终筛选基因。再利用最终筛选基因获取GBM高表达，正常表达和不表达情况下的蛋白质数据，分析筛选关键蛋白，并最终获取关键基因影响蛋白质通路的机制。该方法优化了Cos、SIS、Lasso结合在一起的方法，使得模型筛选GBM关键基因的准确度极大提高，并确定了GBM与关键蛋白之间的信号通路关系。

技术领域

本发明属于基因数据筛选及基因数据处理领域，具体涉及一种高维度低样本基因数据中寻找GBM紧密相关的关键基因，并获取关键基因敲除后的蛋白质表达数据及蛋白质网络分析的方法及系统。

背景技术

多形性胶质母细胞瘤(简称GBM)是由星形细胞瘤经过恶变产生的一种肿瘤，因为GBM的产生机制是由多种外部因子、基因、各生长阶段引起的特别复杂的一种生物现象，这一系列的复杂因素导致我们常见的生物研究方法对与GBM生长机制研究有较大困难，现有技术中，采用的主要方案包括以下几种：

Cox比例风险模型是一种重要的进行生存分析方法，然而，经典的Cox比例风险模型需要解一个满秩方程的生存数据信息，由于该模型中维度(P)大于样本数(N)(我们称之为PN型的数据)的生存数据，因此传统的Cox模型无法对其进行处理。

为了处理PN型数据，之前已经研究了CoxLasso、CoxSis、CoxSisLasso等模型，并在这些模型上进行了生存数据分析取得了一定效果。

首先，比例风险模型采用Cox回归模型为公式1:

h(t,x)＝h₀(t)exp(βX) (1)，

其中h(t,x)是在时刻t处的风险函数，h₀(t)是在0时刻的基准危险函数；

X是p维度协变量；β是X的回归系数，是我们需要处理的量；

利用Lasso方法(公式2)对数据进行一次粗筛选.筛选出来的相关基因记为C₀。

其中β是一个未知的p维回归系数向量，x_i是第i个个体潜在预测因子的向量。基于样本，是未知参数系数的估计量。因此，D是事件的一组指数，R_k表示时间t_k处于风险中的个体的一组指数。调节参数λ是控制估计量的稀疏性。

对于在筛选的基因结果上对于每一个X_m∈G且执行公式3进一步结合cox模型选出关键基因。

其中所选协变量的索引用C₀表示，其余的协变量例外用x_m表示。

将公式3筛选出来的基因进一步，通过conditional SIS公式4方法得到coxSisLasso基因。

其中Θ是增强的选定预测值的集合C₀∪C₁。其中C₀表示所选协变量与lasso的索引，C₁表示条件sis保留的协变量。

上述方案主要存在的缺陷有以下几点：

(1)Cox比例风险模型能处理PN型的数据，不能处理PN型的数据；

(2)CoxLasso、CoxSis、CoxSisLasso实现的方法准确度不够，模型性能较差。

发明内容