基于机器学习和智能优化的肿瘤基因表达数据挖掘研究

发布时间：2020-12-12 10:52

　　目的:DNA微阵列技术通过同步追踪大量基因的表达水平而得到基因表达谱数据,广泛应用于生物医学各个领域。基因表达数据的一个重要研究方向就是肿瘤等重大遗传性疾病的病理诊断与分类研究。肿瘤作为一种由特定基因序列和表达变异引起的疾病,其表达谱的出现为肿瘤学提供了一种全新的临床研究手段。因此,本文对肿瘤基因表达数据进行挖掘研究,可以为肿瘤的早期诊断和临床治疗提供重要依据。方法:肿瘤基因表达谱具有样本小、维度高、噪声大、冗余多和非线性等特点,给现有的分析处理工作带来了一定的挑战。机器学习算法中支持向量机(support vector machine,SVM)处理高维非线性数据有独特的优势。智能优化算法一般不要求目标函数和约束的连续性与凸性,能很好的适应数据中的不确定性。因此,本文采用机器学习和智能优化相关算法分析挖掘肿瘤基因表达数据。主要内容包括:(1)基于基因表达数据中存在的大量无关基因和冗余基因,提出信息增益(information gain,IG)结合SVM的两阶段混合方法选择信息基因。该方法采用IG去除肿瘤样本中的大量无关基因,再利用SVM进一步约减数据中的冗余基因;(2)研究了粒子群优化... 

【文章来源】：皖南医学院安徽省

【文章页数】：49 页

【学位级别】：硕士

【部分图文】：

基因芯片技术肿瘤基因表达谱的出现在肿瘤学基础研究和临床应用等方面有重要的意义[5]

建立一个超平面作为决策曲面，最大化正例和反例之够有效处理高维非线性数据的机器学习算法，优点表各种函数集中构造函数；（2）鲁棒性：不需要微调；（各种实际问题；（4）计算简单：方法的实现只需要利用论上比较完善：基于 VC 推广理论的框架。基于此，，如数据的分类预测、回归分析、图像分割、手写体识

PSO算法图示

【参考文献】：
期刊论文
[1]基于对称不确定性和SVM递归特征消除的信息基因选择方法[J]. 叶明全,高凌云,伍长荣,万春圆.  模式识别与人工智能. 2017(05)
[2]肿瘤标志物在早期肝癌诊断中的价值[J]. 张琼月,陈俊辉.  医学综述. 2016(01)
[3]特征交互lasso用于肝病分类[J]. 王金甲,卢阳.  生物医学工程学杂志. 2015(06)
[4]An Unsupervised Feature Selection Algorithm with Feature Ranking for Maximizing Performance of the Classifiers[J]. Danasingh Asir Antony Gnana Singh,Subramanian Appavu Alias Balamurugan,Epiphany Jebamalar Leavline.  International Journal of Automation and Computing. 2015(05)
[5]肿瘤基因选择方法LLE Score[J]. 李建更,逄泽楠,苏磊,陈思远.  北京工业大学学报. 2015(08)
[6]基于统计相关性与K-means的区分基因子集选择算法[J]. 谢娟英,高红超.  软件学报. 2014(09)
[7]特征选择方法与算法的研究[J]. 李敏,卡米力·木依丁.  计算机技术与发展. 2013(12)
[8]基于Map-Reduce的大数据缺失值填充算法[J]. 金连,王宏志,黄沈滨,高宏.  计算机研究与发展. 2013(S1)
[9]稳定的特征选择研究[J]. 李云.  微型机与应用. 2012(15)
[10]过滤特征基因选择及演化硬件急性白血病分型[J]. 王进,丁凌,孙开伟,李钟浩.  应用科学学报. 2012(03)

硕士论文
[1]模式分类中特征选择算法研究[D]. 刘依恋.哈尔滨理工大学 2014
[2]稳定的特征选择算法研究[D]. 黄莎莎.南京邮电大学 2014
[3]模型选择中的交叉验证方法综述[D]. 范永东.山西大学 2013
[4]集成特征选择算法的研究[D]. 高苏艳.南京邮电大学 2013



本文编号：2912414