现如今,癌症已经发展为危害人们健康的重要导火索,临床案例逐年增多。在众多类型的癌症中,有些恶性肿瘤一般情况下预后较差,而胰腺癌可以说就是其中的一种。对于已经确诊的胰腺癌患者,若不加以医治,那么存活时间也就只剩下几个月,就算采取手术切除,大约只能多生存一年左右时间。根据美国癌症统计协会在男性和女性病例中的调查显示,目前胰腺癌俨然加入了死亡率较高的十大癌症行列。然而,截止到目前,还未出现一套完善可靠的可以早期检测出胰腺癌的标志物。因而,为了减小胰腺癌的死亡率,尽早筛查和及时医治显得尤为关键。随着机器学习的兴起,将机器学习算法融入到各种研究中的做法已是日益增多。本文就是基于机器学习方法,从而得到了一种通过融合基于支持向量机的递归特征剔除(SVM-RFE)方法和基于大间隔分布机的递归特征剔除(LDM-RFE)方法来探究胰腺癌临床标志物的方法。本文使用的癌症实验数据均来自于GEO数据库。在预处理阶段,我们还对包括了乳腺癌、胃癌、肺癌、肝癌、前列腺癌、结直肠癌等在内的其他十个GSE数据集进行了数据预处理,这样分别能够得到十个特征列表,然后将胰腺癌候选特征列表的特征与上述列表逐一进行比较,并删除胰腺癌的特征列表中相同的特征基因。通过上述方法,共处理得到了730个胰腺癌特异性差异表达基因。可以说,通过融合基于支持向量机的递归特征剔除方法和基于大间隔分布机的递归特征剔除方法,我们得到了一组稳定的特异性候选特征排序列表。最后,通过将我们的方法与随机法、t检验法、SVM-RFE法和LDM-RFE法这四种方法得到的特征排序列表比较,发现了我们提出的合并之后的分类效果是最佳的,其中在特征排序列表中排名前七的差异表达基因(MMP7、MMP12、ANPEP、FOS、SFN、IL6和A2M)能够被预测为胰腺癌的特异性生物标志物,因为它们对于癌症和正常样本的分类结果最好。在查阅文献后发现,上述基因的异常表达与某些疾病之间均有一定联系。此外,通过R2平台(基因组分析和可视化平台)进一步分析后,我们再次验证了上述选择的七个基因与胰腺癌患者的生存率息息相关。在尿排泄蛋白分析过程中,通过对于已经得到的胰腺癌的特异性生物标志物的探究,我们发现其中三个基因(MMP7、FOS和A2M)编码的蛋白质可以分泌到尿液中成为尿排泄蛋白,这有助于化作胰腺癌的临床检验所需要的重要依据。