概率主成分分析联合支持向量机的前列腺SELDI-TOF质谱数据分析方法研究

发布时间：2018-12-12 00:37

【摘要】：基于前列腺癌检测中获取的表面增强激光解吸/离子化飞行时间质谱(SELDI-TOF-MS)数据,提出一种概率主成分分析(PPCA)联合支持向量机(SVM)的分类方法。对临床322例血清样本的质谱数据进行特征提取,以随机选取训练样本集(225例)构造SVM判别模型,对剩余样本集(97例)进行测试。采用均方根误差、识别率与预测率指标,将所构造的PPCA-SVM模型分别与偏最小二乘(Partial least squares,PLS)和PCA-SVM模型进行比较,发现PLS模型的识别率和预测率分别为90.92%和76.38%,PCA-SVM模型分别为99.23%和84.63%,而PPCA-SVM模型分别为99.01%和90.41%。因此SELDI-TOF-MS技术结合PPCA-SVM在样品分类中具有准确、重复性好等优点,为前列腺癌早期诊断提供了一种新方法。
[Abstract]:Based on the surface enhanced laser desorption / ionization time of flight mass spectrometry (SELDI-TOF-MS) data obtained from prostate cancer detection, a probabilistic principal component analysis (PPCA) combined with support vector machine (SVM) classification method is proposed. The mass spectrum data of 322 serum samples were extracted. The SVM discriminant model was constructed by randomly selecting the training sample set (225 cases) and the remaining sample set (97 cases) was tested. The RMS error, recognition rate and prediction rate index are used to compare the constructed PPCA-SVM model with the partial least square (Partial least squares,PLS) model and the PCA-SVM model, respectively. It was found that the recognition rate and prediction rate of PLS model were 90.92% and 76.38%, respectively, and that of PCA-SVM model were 99.23% and 84.63%, respectively, while those of PPCA-SVM model were 99.01% and 90.41%, respectively. Therefore, SELDI-TOF-MS combined with PPCA-SVM has the advantages of accuracy and reproducibility in sample classification, which provides a new method for early diagnosis of prostate cancer.
【作者单位】： 吉林大学仪器科学与电气工程学院;吉林大学化学学院;吉林大学第一医院;
【基金】：国家自然科学基金(201101071) 吉林省自然科学基金(20140101063JC)
【分类号】：R737.25;O657.63

【参考文献】

相关期刊论文 前1条

1 徐琨;朱尔一;杨們原;刘银坤;;由质谱分析数据建立乙肝病人与健康人的分类模型[J];分析化学;2009年02期

【共引文献】

相关期刊论文 前6条

1 陶蓓蕾;邱德仁;杨們原;;蛋白质组学研究中医中药进展和评述[J];化学世界;2011年10期

2 刘书成;章超桦;洪鹏志;吉宏武;;高温GC-MS联用技术在油脂分析中应用[J];粮食与油脂;2006年01期

3 刘书成;章超桦;洪鹏志;吉宏武;;液质联用技术在油脂分析中应用[J];粮食与油脂;2006年09期

4 陈杭亭;杨秀荣;;分析化学进展[J];化学通报;2014年07期

5 汪勇;宋坷珂;王丽丽;韩雪;赵谋明;;反相高效液相色谱法测定甘油二酯含量研究[J];中国粮油学报;2010年03期

6 刘书成;章超桦;洪鹏志;吉宏武;;超临界流体色谱和质谱联用在油脂分析中的应用[J];中国油脂;2006年09期

相关硕士学位论文 前1条

1 崔振超;基于神经网络的蛋白质质谱数据在卵巢癌诊断中的应用研究[D];燕山大学;2010年

【二级参考文献】

相关期刊论文 前2条

1 朱尔一;一种适合用于处理中药指纹图谱数据的偏最小二乘法[J];计算机与应用化学;2005年08期

2 朱尔一;林燕;;利用偏最小二乘法的一种变量筛选法[J];计算机与应用化学;2007年06期

【相似文献】

相关会议论文 前10条

1 ;Serum Protein Fingerprint of Patients with Gastric Cancer by SELDI Technology[A];2009年浙江省检验医学学术年会论文汇编[C];2009年

2 姜伟;王开正;;SELDI技术在检验医学中的应用进展[A];第五次全国中青年检验医学学术会议论文汇编[C];2006年

3 杨瑞红;郭素堂;宋霞;田瑞芬;王春艳;王福花;郭向云;;SELDI技术在肺鳞化疗监测中的临床观察[A];泛环渤海地区九省市生物化学与分子生物学会——2011年学术交流会论文集[C];2011年

4 温红侠;陈一强;;应用SELDI技术筛选肺癌血清标志物的研究[A];中华医学会第11届全国内科学术会议论文汇编[C];2007年

5 王玉书;沈靖;潘凯枫;张联;游伟程;;表面增强激光解吸电离飞行时间质谱技术在医学中的应用[A];全国肿瘤流行病学和肿瘤病因学学术会议论文集[C];2007年

6 Daiwen Xiao;Yongchang Yang;Wei Jiang;Hangfeng Zhang;Hua Liu;Hua Yu;Chunbao Xie;Min Zhong;Liang Chen;Wenfang Huang;;Direct Common Gram-Negative Bacterial Identification from Positive Blood Culture Bottles by SELDI-TOF MS[A];第一次全国中西医结合检验医学学术会议暨中国中西医结合学会检验医学专业委员会成立大会论文汇编[C];2014年

7 ;Serum Proteomic Patterns for Screening Hepatic Cellular Carcinoma Using SELDI-TOF Mass Spectrometry[A];2009年浙江省检验医学学术年会论文汇编[C];2009年

8 王晋芬;李义;杨瑞红;郗彦凤;;SELDI-TOF-MS在弥漫性大B细胞淋巴瘤中的意义[A];第十一届中国抗癌协会全国淋巴瘤学术大会教育论文集[C];2009年

9 ;Development of Proteomic Patterns for Detecting Lung Cancer[A];中国细胞生物学学会第八届会员代表大会暨学术大会论文摘要集[C];2003年

10 苏乃伦;牟文风;王斌;;应用SELDI蛋白芯片技术筛选肝癌患者血清中的特异性生物标志[A];中华医学会第七次全国检验医学学术会议资料汇编[C];2008年

相关重要报纸文章 前1条

1 张墨;我国科研人员锁定生命“杀手”[N];医药经济报;2005年

相关博士学位论文 前1条

1 林强;SELDI-TOF-MS筛选差异蛋白在肺部良恶性疾病鉴别及临床决策中的研究[D];苏州大学;2010年

相关硕士学位论文 前10条

1 杨瑞红;运用SELDI芯片技术寻找弥漫大B细胞淋巴瘤相关性蛋白[D];山西医科大学;2007年

2 玄毅;SELDI蛋白芯片技术在筛选中草药靶点中的应用[D];泰山医学院;2007年

3 王尧佳;面向肿瘤诊断的SELDI蛋白质谱数据特征提取研究[D];杭州电子科技大学;2011年

4 杜小祥;SELDI蛋白芯片筛查肺癌血清相关蛋白及其临床意义[D];山西医科大学;2013年

5 甘洁;SELDI蛋白芯片技术筛选肝癌血清标志蛋白的研究[D];广西医科大学;2008年

6 付海艳;应用SELDI-TOF-MS技术筛选原发性胆汁性肝硬化患者血清特异性标志物[D];昆明医学院;2011年

7 陈晓东;SELDI蛋白芯片技术筛选脑胶质瘤血清肿瘤标记物的研究[D];青岛大学;2009年

8 徐明辉;SELDI蛋白芯片技术在原发性肝癌诊断中的应用研究[D];广西医科大学;2009年

9 蒋惟;SELDI血清蛋白质谱肿瘤标志物挖掘方法研究[D];浙江大学;2010年

10 张自森;食管鳞癌血清SELDI蛋白质组表达谱的研究[D];郑州大学;2005年

，

本文编号：2373541