特征選擇及其在生物信息處理中的應(yīng)用研究.pdf

1、隨著系統(tǒng)生物學的發(fā)展，基因組學、蛋白組學、代謝組學等在疾病診斷、藥物療效等方面應(yīng)用日益廣泛。基因、蛋白、代謝等生物信息學數(shù)據(jù)通常是高維，而特征選擇技術(shù)能從高維數(shù)據(jù)中過濾掉噪音和無關(guān)變量，從而有效的降維。本文對特征選擇技術(shù)及其在生物信息處理中的應(yīng)用進行研究。
　　生物信息學時間序列數(shù)據(jù)分析有助于探尋疾病的發(fā)生發(fā)展過程，尋找疾病發(fā)生的前瞻性標志物。傳統(tǒng)的處理時間序列方法常用來處理某種監(jiān)測變量在相對較短的時間間隔下的連續(xù)測量值，主要用于

2、預測、異常點檢測及分類等。而生物信息學中的時間序列通常是多樣本及高維數(shù)據(jù)在時間維度上的序列，且時間點少。本文對生物信息學中時間序列數(shù)據(jù)處理方法進行研究，為從大量變量中篩選反應(yīng)疾病發(fā)生的前瞻性標志信息，提出了一種利用相對偏差思想來對時間序列特征選擇的方法wRDA。為了反應(yīng)不同時間點在疾病發(fā)生發(fā)展過程中的所處的階段不同，wRDA方法采用各個時間點上加權(quán)的相對偏差并累加來尋找疾病的前瞻性標志信息。為驗證wRDA方法的有效性，本文將其分別應(yīng)用到

3、一個動物肝病實驗和一個人群肝病的代謝時間序列數(shù)據(jù)處理中，同時，結(jié)合臨床時間序列數(shù)據(jù)處理的特點，兼顧樣本儲藏時間的影響，本文對同一時間點的不同采樣時間加權(quán)，將wRDA擴展為w2RDA方法。動物時間序列代謝組學的數(shù)據(jù)分析實驗結(jié)果表明，wRDA能夠發(fā)現(xiàn)已知的重要的反映肝病不同病程的代謝物，同時所選變量能夠較好的區(qū)分有病與無病、肝癌和非肝癌樣本。在人群肝病的時間序列代謝數(shù)據(jù)處理中，發(fā)現(xiàn)篩選的特征子集中血清膽汁酸在癌前階段具有長期升高的現(xiàn)象，因此

4、本文推測膽汁酸為肝癌發(fā)生的風險因子。
　　針對生物信息學數(shù)據(jù)具有變量維度高、樣本少的特點，本文提出了一種特征選擇算法ReliefF-WS，用來過濾噪聲及降低維度。算法首先利用類重疊的思想對樣本進行度量并賦予一定的權(quán)值，質(zhì)量好的樣本將獲得較高的權(quán)值，質(zhì)量差的樣本得到較低的權(quán)值。ReliefF算法是一種快速有效的過濾式特征選擇算法，將類重疊樣本加權(quán)的思想應(yīng)用到ReliefF算法中對其進行改進，可以降低ReliefF算法在特征權(quán)值更新過