论文部分内容阅读
基因表达信息是理解基因功能和基因调控的潜在机制的重要线索,是生物学医学研究中的重要内容之一。基因芯片是检测基因表达的有效技术,它可以在一次的实验中同时检测成千上万个基因的表达水平,很快就可以产生数以兆计的基因表达数据。本论文针对基因表达数据分析的若干问题进行了研究,主要研究内容如下：1.不同于以往选择特征基因的方法,提出了一种集成数据选择特征基因的新方法(GSMDI-gene selection by multiple data integration)。针对多来源数据中的每一个,首先计算每个基因在这一数据上的差异表达统计量,然后用这些统计量来代替这一原始数据进行后面的分析,最后利用多来源的数据提取特征,在不同的单一来源的数据上进行训练和测试,训练分类器的数据和测试数据是同一来源的,不同来源的数据仅仅用于特征的提取。在四个真实的基因表达数据集上对提出的方法进行测试并与对照的方法比较,实验结果显示,我们的方法所选出的特征应用于分类的效果更好。2.样本的多类分类问题是基因表达数据分析中的热点和难点问题,本文提出了一种基于类别树的多类分类算法,树结构可以提供更强的生物学意义。这一方法首先借助各类别间的关系构造完全图,并且在产生完全图时应用基因选择方法,然后构建的类别树更有利于分类性能的提升,最后通过在类别树上重新进行基因选择并训练基于支持向量机的分类器,把分类和基因选择集成到一起。提出的方法用两个公共可得到的真实数据集进行了测试,实验结果显示该方法运行效率高,分类性能好。3.交叉验证是估计分类误差率的最著名的方法之一,为了降低估计误差,需要重复交叉验证的次数来获得平均结果。然而,交叉验证的次数通常通过经验给出。提出了两个基于近似置信区间的方法(FCI和TSE)用于确定交叉验证的重复次数。在真实数据上的实验结果显示,经验方法给出交叉验证的重复次数通常是不可靠的,所提出的方法确定交叉验证的次数可以达到预先指定精度的误差率。同时,两种方法可以自动适应数据、k值以及分类模型的变化。本文的研究是基因表达数据分析中的几个重要问题,研究成果有利于帮助和支持生物学医学研究人员处理和理解生物学医学问题。