基于聚類(lèi)分析的蛋白質(zhì)質(zhì)譜數(shù)據(jù)分析研究.pdf

1、癌癥危害人類(lèi)健康，是僅次于心腦血管疾病的第二大殺手。隨著人類(lèi)基因組計(jì)劃的實(shí)施，對(duì)于癌癥發(fā)病機(jī)理的研究已進(jìn)入到分子水平，雖然癌癥是由遺傳基因決定，但卻是由蛋白質(zhì)表達(dá)，因此對(duì)于蛋白質(zhì)的研究同樣是必不可少的。蛋白質(zhì)質(zhì)譜技術(shù)是研究蛋白質(zhì)組學(xué)的有力工具。經(jīng)過(guò)研究發(fā)現(xiàn)，癌癥發(fā)病的早期階段，即使病人體征沒(méi)有發(fā)生任何變化，但是體內(nèi)某些蛋白質(zhì)水平已經(jīng)發(fā)生改變，這些發(fā)生改變的蛋白質(zhì)稱(chēng)之為生物標(biāo)志物（biomarker）。尋找與分析生物標(biāo)志物無(wú)論是對(duì)癌癥的早

2、期診斷與治療還是疾病的抗藥性分析都是至關(guān)重要的，因此，如何發(fā)現(xiàn)新的特異性生物標(biāo)志物已成為蛋白質(zhì)組學(xué)研究的熱點(diǎn)問(wèn)題。在模式識(shí)別中，有兩類(lèi)問(wèn)題與蛋白質(zhì)組學(xué)研究相對(duì)應(yīng)，癌癥診斷與模式分類(lèi)相對(duì)應(yīng)，生物標(biāo)志物的篩選與特征選擇相對(duì)應(yīng)。
　　在模式識(shí)別中，線性判斷分析（LDA）是經(jīng)典的特征提取算法。但是，由于原始SELDI-TOF質(zhì)譜數(shù)據(jù)具有如下特點(diǎn)：數(shù)據(jù)容量大，某些數(shù)據(jù)集數(shù)據(jù)個(gè)數(shù)達(dá)到幾百萬(wàn)；特征維數(shù)大，一般具有上萬(wàn)個(gè)蛋白質(zhì)特征維數(shù)；樣本數(shù)據(jù)小

3、，不過(guò)幾十至上百；“小樣本”問(wèn)題嚴(yán)重；數(shù)據(jù)中含有大量噪聲，因此極易對(duì)數(shù)據(jù)分析造成影響，會(huì)使 LDA特征提取算法失效。另外，與特征選擇算法不同的是，特征提取算法將蛋白特征在原有空間上進(jìn)行映射，映射到其他空間即產(chǎn)生新的特征，雖然在新的空間中特征具有較高的分類(lèi)效果，但是在新空間中生物學(xué)意義已經(jīng)丟失，不利于生物學(xué)意義上的解釋。針對(duì)以上問(wèn)題，本文考慮結(jié)合零空間LDA算法，利用基于近鄰傳播的聚類(lèi)分析解決“小樣本問(wèn)題”，降低SELDI-TOF質(zhì)譜數(shù)據(jù)

4、的特征維數(shù)和特征之間的相關(guān)性，之后運(yùn)用SVM-RFE特征選擇算法進(jìn)行特征選擇以便于保留生物學(xué)意義，從而挑選出較高分辨率且具有保留生物學(xué)意義的蛋白質(zhì)特征位點(diǎn)。
　　本文實(shí)驗(yàn)選用三個(gè)公共數(shù)據(jù)集，其中兩個(gè)為卵巢癌數(shù)據(jù)集、一個(gè)為前列腺癌數(shù)據(jù)集以及一個(gè)臨床乳腺癌樣本數(shù)據(jù)集進(jìn)行數(shù)據(jù)分析和實(shí)驗(yàn)。所得結(jié)果與其他經(jīng)典方法從分類(lèi)性能和相關(guān)性進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，基于近鄰傳播的聚類(lèi)分析在多個(gè)樣本數(shù)據(jù)集上不僅可以降低特征間的相關(guān)性而且提高了分類(lèi)性能，并