融合自训练和低秩表示的基因表达数据癌症分类方法

发布时间：2020-04-08 14:52

【摘要】：在生物信息学领域中,由于许多疾病的病理不明,使用传统的诊断方式无法准确判断疾病类型,所以借助分子生物学数据和机器学习进行辅助的诊断方式近年来开始得到关注。癌症是一种基因疾病,有超过100种类型,通常由它们所处的组织或器官来命名。对于癌症的诊断和治疗而言,准确识别癌症类型是十分必要的。由于癌症组织和正常组织有着不同的基因表达,基因表达数据可以作为有效的特征源用于癌症分类。由于高通量测序技术的发展,获得全基因组的基因表达数据成为可能。然而,直接使用原始的基因表达谱进行准确的癌症分类仍然很有挑战性,因为基因表达数据有着极高的特征维度和较小的样本数,且存在着大量的噪声和冗余。(1)为了解决上述问题,我们提出了一种新的融合低秩表示和自训练的半监督分类方法(SSC-LRR),它可以利用基因表达数据进行癌症分类。低秩表示(Low Rank Representation,LRR)首先被用于从高维基因表达数据中提取有判别力的特征,然后一种改进的半监督自训练分类(Semi-supervised Self-training Classification,SSC)方法被用于进行癌症分类预测。为了评估SSC-LRR的分类效果,我们在两个不同类型的基准数据集上进行测试,并与四种当前情况下性能最好的方法进行比较。它在癌症分类预测中取得了 89.7%的总体准确率和0.920的泛化相关性,比其它方法中最好的一个分别高出18.9%和24.4%。总而言之,我们的研究展示了一种新的高灵敏度方法,可以从大规模基因表达数据中识别癌症类型。(2)此外,我们在矩阵低秩表示的基础上对数据进行可视化,并提出了一种关键基因选择方法对基因的鉴别能力进行排序,一些基因(RNF-114,HLA-DRB5,USP9Y,PTPN20)被该方法识别为可能的新癌症标志,以用于进一步的临床研究。(3)为了方便其他生物医学研究者的使用,我们基于Flask框架开发了一个网络平台用于提供在线的癌症类别预测服务。
【图文】：

层次聚类,肺腺癌,亚型,癌症

逦存在不同的组织，所以还要考虑癌细胞所在的细胞类型，主要包括：逡逑（ｃａｒｃｉｎｏｍａ）：癌症（ｃａｎｃｅｒ）是总称，其中起源于上皮细胞的类型被称ｒｃｉｎｏｍａ），多发于老年人，癌（ｃａｒｃｉｎｏｍａ）中包括了大部分最常见的癌症，乳腺、胰腺、肺、前列腺和结肠上的癌症（ｃａｎｃｅｒ）都是癌（ｃａｒｃｉｎｏｍａ）；逡逑瘤：发生于结缔组织上的癌症（如脂肪、神经、骨骼和软骨），源于骨髓外胞；逡逑巴瘤和白血病：这两类癌症源于造血细胞，其中白血病是最常见的儿童癌症占３０％，但还是远少于成人的淋巴瘤和白血病患者；逡逑生殖细胞肿瘤：源于多能细胞的癌症，大多出现于睾丸和卵巢；逡逑胚细胞瘤：源于未成熟的前体细胞或胚胎组织，在儿童中更为常见。逡逑，癌症的名称通常会包含其所在器官和组织，如肺腺癌（ｌｕｎｇ邋ｃａｒｃｉｎｏｍａ）。肿瘤组织有着不同的病理学特征，通过组织类区别癌症帮助医生提供更为准案。但是这种分类方法仍然过于宽泛，导致同种类型的癌症实际上有着不同理。逡逑

数据集,参数,自训练,学习模型

逦融合自训练和低秩表示的基因表达数据癌症分类方法逡逑图３．１中的数据显示，所有方法的表现都略微依赖于Ｍ。从常识上来说，学习模型逡逑的效果会随着训练集中标注样本数量的提升而提升，大体上预测效果的趋势与我们的认逡逑知相符，尽管对于标签迁移算法有些小的波动。同时，不同方法间的相对效果也大体上逡逑一致，其中ＳＳＣ－ＬＲＲ在Ｍ邋＞邋２时效果好于其它方法，说明了邋ＳＳＣ－ＬＲＲ的鲁棒性。但逡逑是，我们也发现在ＳＳＣ－ＬＲＲ在Ｍ邋＝邋２时的预测准确率要略低于Ｓｅｍｉ－ＰＮＭＦ，可能的原逡逑因是当Ｍ过小时，，初始的训练样本过少，导致ＳＳＣ－ＬＲＲ的错误加深现象出现，尽管逡逑ＳＳＣ－ＬＲＲ己经通过设计来减少迭代训练过程中的错误加深。逡逑０．８邋１＾邋ＳＶＭ逦ＫＳ３ＲＰＣＡ＋ＳＶＭ逡逑ｍｍ邋Ｌａｂｅｌ邋Ｐｒｏｐａｇａｔｉｏｎ邋［Ｚ２２邋ＳＳＣ－ＬＲＲ逦ｒ－ｒ＾逦ｒ／／＾逡逑Ｓ２３邋Ｓｅｍｉ－ＰＮＭＦ逦—逦：’：：逦ｐｔ邋：逡逑０邋６逦逦邋＿邋．．网Ｈ逦Ｎ邋衫．逡逑ＩＸＸＩ邋邋邋！＾0＜邋＼／／邋邋邋１邋ａＸ，＇－－邋－Ａ邋：．．丨邋ｉ邋Ｘ邋＞＾—逦逦１逦＼逡逑Ｑ邋＇…＿邋冒邋＿＃Ｔ——＿媭邋＿邋＿＿逡逑目逦、必７逦自逦ｐ＾Ｓ－－：－ｙ０逦＝逦＾逦ｐｖ－：ｗ＞逡逑０－４逦国衫ｇ．悔々：物．曰逡逑０．２逦｜逦｜影W╁义息葖p翁ｊ；．逦＿丨｜｜：逦Ｉ逦｜ｉ邋ｉ逦１１逦ｌｌｔｌｌＬ逡逑Ｑ邋Ｑ邋逦逦Ｈｉｌｌ邋．邋？邋－逦ｒ＾ｄｌｌｌｈ＞＇ｖ．】邋；—．邋－ＦＨ邋ｌｌ＞：．Ｋ逦：邋Ｊｌｌｌｌ邋！邋？，邋＼逡逑１逦２逦３逦４逦５逦６逡逑Ｍ逡逑０．８ｉ
【学位授予单位】：南京理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP181;R73-3

【相似文献】