[发明专利]一种基于基因组分析的癌症分期预测系统

权利要求书

1.一种基于基因组分析的癌症分期预测系统，其特征在于，包括依次连接的原始数据采集单元、组合特征预处理单元、联合基因选择单元、分类模型创建单元、预测单元；

所述原始数据采集单元用于：获取癌症基因组图谱TCGA项目对应癌症亚型样本的RNAseq表达数据及临床信息，获取其中基因表达的RSEM值，具有I期和II期注释的样本被认为是早期癌症，其余具有III期和IV期注释的样本为晚期癌症；

所述组合特征预处理单元用于：通过ChiMerge分箱和WOE编码来离散化遗传特征即RNAseq表达数据；或者，所述组合特征预处理单元用于：使用log2转换RSEM值，并标准化log2转换后的RSEM值；

所述联合基因选择单元用于：依次进行FCBF搜索、联合统计特征提取、logistic回归模型特征选择；

所述分类模型创建单元用于：使用五种机器学习方法包括支持向量机、逻辑回归、多层感知、随机森林和朴素贝叶斯来生成分类模型,并优化其性能；

所述预测单元用于：训练好分类模型后，保存分类模型，预测时，输入预处理后的待测试样本的RNAseq表达数据，直接调取预测结果0或1，0表示预测为早期癌症，1表示预测为晚期癌症。

2.根据权利要求1所述的一种基于基因组分析的癌症分期预测系统，其特征在于，使用log2转换RSEM值，并标准化log2转换后的RSEM值，是指：

通过式(Ⅰ)使用log2转换RSEM值：

x＝log₂(RSEM+1)    (Ⅰ)

通过式(Ⅱ)标准化log2转换后的RSEM值，得到z：

式(Ⅱ)中，x是RSEM值经过对对数化后的值，是x的均值，s为标准差。

3.根据权利要求1所述的一种基于基因组分析的癌症分期预测系统，其特征在于，对原始训练数据进行FCBF搜索，原始训练数据是指RSEM值，包括：

(1)采用随机抽样的方法选取原始训练数据中80％的数据作为训练数据集，在十次十折交叉验证实验中，每次将训练数据随机分为十折，对训练数据集进行FCBF搜索，每次FCBF搜索十折交叉采样，得到10个子特征集；

(2)选取重叠数大于6的特征进行数据预处理和联合特征选择；

步骤(1)进行了十次十折交叉验证，每一次都会产生一个特征集，将这十个特征集合并，从中选取基因特征，基因特征是指RNA；

数据预处理是指通过ChiMerge分箱和WOE编码来离散化RNA；

联合特征选择是指通过合并FCBF算法、IV、VIF，基于逻辑回归进行特征选择。

4.根据权利要求3所述的一种基于基因组分析的癌症分期预测系统，其特征在于，联合统计特征提取，包括：

A、单变量分析：即剔除信息值IV≤1的变量；

每一个ChiMerge分箱和WOE编码后的基因都按照公式(III)计算出其信息值IV，如式(III)所示：

式(III)中，G_i是第i箱中I期和II期注释的样本占所有早期样本的比例，B_i是第i箱中III期和IV期注释的样本占所有晚期样本的比例；早期样本中的样本对应病人属于早期癌症，晚期样本中的样本对应病人属于癌症晚期；

B、多变量分析：用方差膨胀因子衡量多变量之间的线性相关性；

采用方差膨胀因子VIF评价多元线性相关关系，当计算的方差膨胀因子VIF小于10，不存在共线性问题，否则，存在共线性问题；

R_i是x_i对应{x₁,x₂,...,x_i-1,x_i+1,x_i+2,...,x_N}的R²值；x₁,x₂,...,x_i-1,x_i+1,x_i+2,...,x_N是指特征集合中的N个特征；x_i是指特征集合中的第i个特征，VIF_i是指第i个特征x_i的方差膨胀因子。