癌症标志物是体内发现的一种生物分子,它是癌症发现、预防的征兆,它的识别对癌症的预防以及治疗都有重要的意义。基因表达谱数据是一类非常重要的癌症标志物,从数万种基因表达谱数据中挖掘出不同癌症类型的标志物对于阐明癌症的形成机制、预防癌症的产生和发展都有重要意义。本文的研究分为三个方面:1.本文提出了一种数据标准化的方法。首先将原始数据进行标准化处理,将化学分子间的乘积关系转化为线性关系,将转换后的数据在相同尺度上进行分析,计算不同的计算不同RNA的平均表达水平,进而得到每个病人的RNA平均表达水平。本文的数据标准化方法克服了来自不同实验、采用不同实验平台、不同量纲、不同数据处理软件所引发的数据不一致问题。2.本文提出了基于统计显著性特征选择算法。该算法的设计主要分为构建样本集和生成p-value表两个步骤。首先选取特定癌症类型的数据随机平均分配,将其他癌症类型的数据预处理后进行随机分配,保证样本均衡,其次是根据分配后的样本集合通过算法计算样本秩的平均值,把样本秩作为统计量,模拟样本秩的分布,生成统计对照表。3.我选取三种癌症类型验证本文提出的基于统计显著性的特征选择方法。应用机器学习的多种分类方法,对比分类指标的性能,以此对基于统计显著性特征选择方法的有效性进行验证;通过与当前其它代表性的特征选择算法在同一种分类器上的实验结果进行对比,以此证明本文提出基于统计显著性特征选择算法所选择的癌症标志物在预测癌症及类型时更精确。基于统计显著性的特征选择方法能有效筛选基因表达谱数据中的癌症标志物,能有效辅助癌症的预防与治疗。