基于微阵列数据的癌症特征基因选择方法研究

发布时间：2020-05-27 05:56

【摘要】：随着DNA微阵列技术的发展,DNA微阵列技术在基因诊断和辅助疾病方面的应用也越来越普遍。如今,癌症病变高发情况下,引入DNA微阵列技术,帮助人类探索生物分子方面的信息,对提高癌症治愈的成功率具有重要意义。但由DNA微阵列技术衍生的基因表达谱数据,具有高维小样本的特性,对其直接进行数据分析较为困难。因此,对高效特征选择算法的研究引起了广大学者的关注。根据基因表达谱数据的特性,本文提出两种用以提高癌症特征基因分类准确率的特征基因选择算法。在经典遗传算法的基础上,提出一种结合自适应遗传算法和学习自动机的癌症特征选择与分类方法AGALA。该方法根据个体适应度值的大小调整交叉操作的交叉率和变异操作的突变率,平衡算法的全局搜索能力与局部搜索能力。同时加入学习自动机的奖惩操作,增强算法搜索新个体的能力,避免算法在迭代后期出现“早熟”现象,并加快算法搜索到最优特征基因子集的速度。在标准粒子群算法的基础上,提出了一种具有自适应反向学习机制的SRPSO算法。SRPSO方法先使用T检验进行数据筛选去除冗余基因,降低算法搜索负担,后将SRPSO作为特征空间的搜索引擎,结合支持向量机,选择出分类性能较强的特征基因。SRPSO算法采用自适应种群迭代次数调整学习因子,以控制粒子搜索最优位置的速度,并采用反向学习机制,让算法搜索新个体,防止算法在迭代后期陷入停滞。实验表明,与传统的算法相比,本文所提出的两种算法具有较高分类准确率,在癌症基因表达谱上得到的特征基因子集规模更小,有利于提高癌症分类的准确率。
【图文】：

图 2.1 荧光标记法基因芯片的制备流程A 微阵列的制作方式和适用范围的不同，有不用的分类方式的不同，可将 DNA 微列阵分为原位合成型（InsituSynPre-synthesized）等。这两种微阵列又分别被称为寡核otidesArrays）[27,28]和 cDNA 微阵列（cDNAMicroarrays）为不同细胞（或组织）基因表达差异分析和用来对 DNAA 微阵列和寡核苷酸微阵列这两种技术，在芯片的制备及，因此在分析上也略有不同。A 芯片片诞生于斯坦福大学 Pat Brown 实验室，cDNA 的探针成 cDNA 分离得到的。在制备样本时，对于 mRNA 样本为控制样本（controlsample）和一组为待测样本（treatme荧光标记，使用绿色荧光素标记控制样本，待测样本使用两个样本标记混合物与 cDNA 芯片上的探针进行杂交，之

串中随机的选定一个交叉点，互换，实现算法的全局搜索能力。变异些基因进行突变替换。这样的Pc和算法的寻优搜索能力，还可以为ningAutomata，LA）是一种抽象交互来寻得最优值。根据环境所率分布状况，最终将概率值收敛所属环境，环境使用升压信号返变自身的处境，然后选择下一个 ， ，， }为输入子集， 奖惩概率值的子集。LA 方法的RandomEnvironment
【学位授予单位】：长春工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;R730

【参考文献】

相关期刊论文 前10条

1 陈万青;李贺;孙可欣;郑荣寿;张思维;曾红梅;邹小农;顾秀瑛;赫捷;;2014年中国恶性肿瘤发病和死亡分析[J];中华肿瘤杂志;2018年01期

2 孙刚;张靖;;面向高维微阵列数据的混合特征选择算法[J];小型微型计算机系统;2015年06期

3 汪民乐;;遗传算法的收敛性研究[J];计算技术与自动化;2015年01期

4 蔡君;王宇;;基于有监督学习的应用识别研究[J];广东技术师范学院学报;2013年07期

5 郭坤;王浩;姚宏亮;李俊照;;逻辑回归分析的马尔可夫毯学习算法[J];智能系统学报;2012年02期

6 唐慧丰;谭松波;程学旗;;基于监督学习的中文情感分类技术比较研究[J];中文信息学报;2007年06期

7 张焕萍;宋晓峰;王惠南;;基于离散粒子群和支持向量机的特征基因选择算法[J];计算机与应用化学;2007年09期

8 胡永隽;何池全;肖华胜;缪金明;;食品企业污水中细菌的基因芯片快速检测技术[J];上海环境科学;2006年01期

9 李颖新,刘全金,阮晓钢;急性白血病的基因表达谱分析与亚型分类特征的鉴别[J];中国生物医学工程学报;2005年02期

10 林彤,孙建方;运用cDNA芯片技术对恶性黑素瘤相关基因的研究[J];中华皮肤科杂志;2004年02期

本文编号：2683068