随着基因组学和生物信息学的飞速发展,越来越多的研究证明IncRNA广泛参与了大量生物学调控过程,尤其是在人类疾病的发生、发展和防治中扮演着重要角色。在海量基因表达数据中对IncRNA进行特征挖掘与功能预测已成为学术界和工业界共同关注的热点。特别是对与疾病密切相关的关键IncRNA进行预测,能够揭示疾病成因与机制,具有极高的生物医学价值。然而IncRNA基因表达数据规模庞大、结构复杂,从中精确定位少量的关键IncRNA是一个巨大的挑战。机器学习因其优秀的解决问题与自主学习能力,成为解决IncRNA特征挖掘与功能预测问题的一大利器。本课题针对基因表达数据中的关键IncRNA预测,进行了相关的调查、研究、实验和分析;引入机器学习技术,融合BPSO智能算法与ELM学习算法提出了-一种新型智能预测模型,实现了关键IncRNA预测系统并开展相关实验,具有重要的学术意义。本文主要工作如下:(1)对基因表达数据中关键IncRNA预测的研究策略进行调研从IncRNA表达数据的特性与基因表达数据研究策略出发,对常见的基因特征选择框架进行介绍、分析和比较,并将关键IncRNA进行了数据分析角度定义,递进地阐述了基因表达数据中预测关键IncRNA的研究思路与整体策略。(2)构建一种高效、精确、自适应能力强的关键IncRNA预测模型提出一种基于改良二进制粒子群算法和极限学习机的关键IncRNA预测模型(改良BPSO-ELM预测模型):采用BPSO算法对IncRNA特征组合优化问题进行求解,同时利用ELM对每组候选IncRNA子集进行评价,并反馈给粒子群,指导粒子群朝着最优位置移动,能够高效地完成关键IncRNA的确定。(3)模型研发、验证与评估采集乳腺浸润性癌、结肠腺癌和肺腺癌数据三个典型数据集开展实验。对实验的各种参数进行了精确调整,并从统计学、算法对比、生物信息学三个角度对我们的实验结果进行分析。模型在三个数据集上都能取得较好的效果,仅需选取10个关键IncRNA即可对样本的患病状况实现93.5%以上的预测精度,且与其他经典方法相比具有明显的速度优势。