基于邻域互信息和自组织映射的特征基因选取

针对基因表达谱数据的高维度、低样本和连续型等特点,提出一种结合邻域互信息和自组织映射进行特征基因选取的方法.首先提出一种改进的Relief算法,对基因进行排序生成候选特征集合;然后提出基于邻域互信息的自组织映射算法对生成的候选特征基因进行聚类;最后利用提出的属性重要性系数从每一类簇中选择代表基因组成特征基因子集.实验结果表明,该方法可以快速有效地选取肿瘤特征基因,能获得较好的分类结果.

秩和基因选取方法及其在肿瘤诊断中的应用

根据基因表达谱进行肿瘤诊断是当今生物信息学领域中的一个重要研究方向,其中最主要的问题是肿瘤相关基因的选取.根据统计学中的秩和检验方法提出了秩和基因选取方法.并利用支持向量机(SVM)对相关基因表达谱数据进行训练建立肿瘤诊断模型.实验表明这种方法与模型可使得在结肠数据和白血病数据上的诊断正确率分别达到96.2%和100%.

一种基于非线性降维和Procrustes分析的基因选取方法

提出了一种新的基于非线性降维算法和统计形状比较的基因选取方法.该方法基于保持芯片数据结构的思想,消除了对于样本类信息的要求.在3组实际肿瘤芯片数据上的应用表明,新方法在维持数据结构和数据挖掘分析中都明显优于基于线性降维的选取方法.与其他成熟的基因选取方法在分类分析中的比较也证明了新方法的成功.

基于基因表达谱的肿瘤特异基因表达模式研究

基于肿瘤基因表达谱,利用生物信息学的方法,从肿瘤与正常组织的样本分类入手就肿瘤特异表达基因的发现及其表达模式问题进行了分析和研究,进而探讨了肿瘤在基因表达上的特点.首先,在分析肿瘤基因表达谱特点的基础上,提出了基于Relief算法的样本分类特征基因选取策略;然后,以支持向量机为分类工具进行样本类型的识别,以分类错误率为标准选取样本分类特征基因,并对其中反映肿瘤与正常样本组织构成特点的组织特异表达基因进行排除以突出肿瘤样本真实的类别特征;最后结合统计学方法,从信息学的角度论证了分类特征基因在肿瘤组织中特异表达的确实性和普遍性,并对这些基因在肿瘤组织中呈现出的特异的表达模式进行了分析.