[发明专利]一种基于基因芯片数据的疾病影响因素的挖掘方法

摘要

本发明公开了一种基于基因芯片数据的疾病影响因素的挖掘方法。本发明将原始数据有效拆分成患者样本和正常人样本，设定评定标准，对有效数据进行过滤、补全和合并后，设计核心选择器，将检测样本的不同探针看作是样本的不同特征，从而将问题归纳成“特征选择”问题，核心选择器选出排名最靠前的m个探针，利用基因芯片平台数据得到每个探针对应的基因名称，得到基因层面上疾病的影响因素；本发明创新地提出了一种基于基因芯片数据对疾病基因层面影响因素的分析挖掘方法，为进一步的生物学实验提供了更多的理论假设和支持。

主权项

一种基于基因芯片数据的疾病影响因素的挖掘方法，其特征在于，所述挖掘方法包括以下步骤：1)数据拆分：按照被测试者中的正常人和患者，将原始数据进行有效拆分，拆分成患者样本和正常人样本；2)初步分析：初步分析包括数据摘要、标准确定和初步结构：a)数据摘要：数据摘要包括样本大小、原始数据维度和各维度的意义；b)标准确定：在分析前确定以下三个标准：一)探针在单一检测样本中为有效表达的评定标准——该探针所对应的探针数据的检测p值的上限p0，认为当p<p0时，该探针在该单一检测样本中的表达被检测到且探针数据有效；二)探针在正常人样本或患者样本中被确定为有效表达的评定标准——该探针在正常人样本或患者样本中为有效表达的占比r的下限r0，即认为当r≥r0时，该探针在正常人样本或患者样本中为有效表达，且其所对应的探针数据有效；三)探针在正常人样本或患者样本中被确定为有效不表达的评定标准——该探针在正常人样本或患者样本中为有效表达的占比r的上限r1，即认为当r≤r1时，该探针在正常人样本或患者样本中为有效不表达；当一个探针的有效表达占比在r0与r1之间时，认为该探针为不显著探针，将该探针数据被作为无效数据忽略；c)初步结果：根据步骤b)的标准，找到在患者样本中有效表达而在正常人样本中有效不表达的差异探针集合，以及在正常人样本中有效表达而在患者样本中有效不表达的差异探针集合，从而形成初步结果；3)数据过滤：经过初步分析后，仅在患者样本或正常人样本中有效表达的探针与在两个样本中均有效不表达的探针将被过滤，而在两个样本中均有效表达的探针，探针数据为有效数据，进入步骤4)，分析有效数据的不同表达强度；4)数据补全：在两个样本中均有效表达的探针中，存在部分探针数据的检测p值不满足评定标准p0，这些探针的检测强度数据将被看作是缺失值，对缺失值进行补全；5)数据合并：将完成补全的患者样本和正常人样本进行合并，形成完整数据，对完整数据进行标准化处理后，对于患者样本和正常人样本贴上不同的标签，作为步骤6)中核心选择器的输入；6)设计核心选择器：将检测样本的不同探针看作是样本的不同特征，从而将问题归纳成“特征选择”问题，确定基选择器的输出、选择基选择器和组合基选择器，从而形成核心选择器：a)基选择器的输出：基选择器的输出设计为其对所有特征的评分，由于各基选择器的评分根据不同，所以各基选择器在得到各特征的原始评分后，先将其归一化到0～1之间再输出，以此来消除评分标准不同带来的差异；b)选择基选择器：从过滤式方法的选择器、包裹式方法的选择器和嵌入式方法的选择器中选出多个选择器作为基选择器；c)组合基选择器：各基选择器评分的加权求和即为各特征的总评分，第i个基选择器的权重wi为：其中ei为第i基选择器的误差率，计算方法为：其中，Ei为利用基选择器i得到的评分最高的m个特征来执行二聚类K‑means算法后，聚类结果与真实类别标签所产生的误差个数，n为样本总数，acci为基选择器i在模型训练中通过交叉验证得到的最优准确率，m为≥1的自然数；7)按照步骤6)设计的核心选择器执行选择算法；8)结果输出：核心选择器选出得分最高的前m个探针，之后利用基因芯片平台数据得到每个探针对应的基因名称，再通过层次聚类，得到结果。