基于加权极限学习机的肿瘤基因表达谱数据分类

基因表达谱数据一般来源于临床试验,而在临床试验中,试验样本的类分布情况是不确定的,这就使得表达谱数据往往具有比较明显的不平衡性.采用加权极限学习机来对不平衡基因表达谱数据进行分类,为了减少因为不平衡数据引起的分类误差,一个临时的权重被分配给每一个样本以增强少样本类的影响,同时减少多样本类的影响,进而提高肿瘤分类的准确率.实验结果表明,所提方法能够提高少样本类的识别率,从而提高分类器的总体性能.

关于建立证型基因表达谱数据库的设想

临床仅用四诊方法获取证候进行证型诊断,存在着较大的模糊性和主观性,影响了中医诊断的科学性,阻碍了中医药现代化和国际化的进程,因而证型诊断必须与现代科学结合,给它赋予现代最前沿的科学内涵。基于分子生物学和计算机科学的迅猛发展,将基因组学融入中医学,从基因微观分子水平研究中医诊断,是完全可以的。通过对足够数量的同一病位或病性患者的基因表达进行分析,建立辨证要素的基因表达谱数据库,再相互组合便可建立证型基因表达谱数据库,以此作为辨证的客观规范化标准。

基于改进标记传播算法的基因表达谱数据分析

针对原始标记传播算法迭代次数过多和阈值选取的不确定性等问题,提出一种改进的标记传播算法,并将其应用于基因表达谱数据分析。首先将高维基因表达谱数据表示为权值矩阵,同时定义一个表示样本类别属性的标记序列,并将其中少量样本标记为已知;然后利用根据Gauss-Seidel迭代算法推导出的迭代公式更新标记序列,并证明标记序列的解的收敛性;最后采用正负标记的方式,根据标记序列各分量的符号差异实现数据类别的划分。通过白血病和结肠癌数据集实验,证明了本文方法的有效性。

基于改进标记传播算法的基因表达谱数据研究

提出一种改进的标签传播算法,并将其应用于基因表达谱数据分析中.首先使用概率矩阵表示基因表达数据,将少量样本标记为已知,同时定义一个标记序列表示样本的类别属性;然后通过迭代公式更新标记序列,得到标记序列的收敛解,并证明了该收敛解的唯一性;最后采用正负标记的方式,根据标记序列各分量的符号差异实现数据类别的划分.经过癌症数据集实验的验证,证明了提出的方法可以快速有效地实现基因表达数据的聚类.

基因表达谱数据缺失值的估计方法

目的探讨常用的基因表达谱数据缺失值填充方法对于提高目前流行的基因表达谱数据分类器一支持向量机性能的影响。方法采用公开发表的酵母菌基因表达谱数据．及Ribo功能类作为类属性构成训练集。分别利用KNN法和类均值法对其缺失值进行填充后．基于完整的表达谱数据对SVMs模型进行训练。采用k折交叉验证法避免训练中的过拟合问题，绘制CV准确率等高线图监控模型参数的迭代。采用检验对所得模型的性能进行评价。结果KNN法填充下。SVMs模型的CV准确率维持在99．554％；类均值法填充下，SVMs模型的CV准确率从99、554％上升至99．635％。对于模型性能的统计学愉验显示．两者差异无统计学意义。结论根据模型性能的统计学检验结果，两种填充方法对于SVMs模型性能改善的差别没有统计学意义。研究者可以根据实验条件和基因表达谱数据的特点任意选取两种填充方法进行处理。

综合ChIP-chip数据、基因敲除数据和表达谱数据重构基因调控网络

揭示生物体内在的调控机制是生物信息学的一项重要研究内容.各种高通量生物数据的涌现,为从基因组的尺度上重构基因调控网络提供了可能.由于单数据源仅能提供关于调控关系的片面信息且存在噪声,因此整合多种生物学数据的方法有望得到可靠性较高的调控网络.提出了一种综合ChIP-chip数据、knock out(敲除)数据和各种条件下的表达谱数据来推断调控关系的新方法.ChIP-chip数据和knock out数据能分别提供转录因子和目标基因对关系的直接物理结合和功能关系的证据,这两类数据的整合有望获得较高的识别准确率.但这两类数据的重合性通常较低,基于共调控的基因通常具有较高的表达相似性这一假设,在一定程度上降低了这两类数据重合性较低所带来的影响.算法所识别的大部分调控关系都被YEASTRACT,高质量ChIP-chip数据和文献所验证,从而证明了该方法在调控关系的预测上具有较高的准确性.与其他方法的比较,也表明了该方法具有较高的预测性能.

基于Bootstrap方法的基因表达谱数据互信息估计研究

基因调控网络模型为深入理解生命本质提供了一个新的研究框架和平台。作为基因调控网络模型的其中一种,互信息关联网络模型使用熵和互信息描述基因和基因之间的关联。本文描述了用互信息度量基因表达相似性的方法,提出基于Bootstrap的互信息估计算法,并对产生的偏离现象提出了改进策略。实验结果表明,改进的互信息估计方法可以有效提高基因表达相似性估计的精确度。

基因表达谱数据分类算法综述

基因表达谱数据的分类算法有很多种,每种分类算法有其各自的特点,不同分类算法在不同基因表达谱数据中的分类效果也有所不同。本文主要对目前应用较多的四种分类算法(判别分析、决策树、支持向量机、集成算法)的特点和研究进展进行综述,为相关研究和应用提供科学指导。

基于TCGA和GEPIA数据库分析CENPK基因在前列腺癌中的表达及临床意义

目的探讨着丝粒蛋白K基因(CENPK基因)在前列腺癌中的表达及其临床意义。方法通过下载癌症基因组图谱(TCGA)和基因表达谱数据交互分析(GEPIA)数据库相关数据,获得498例前列腺癌患者的mRNA表达水平及临床信息,其中52例患者有配对的癌组织与癌旁组织。分析前列腺癌组织中CENPK基因mRNA表达水平,分析不同特征前列腺癌患者CENPK基因mRNA表达水平,比较CENPK基因高表达组与CENPK基因低表达组总体生存时间(OS)及无进展生存期(DFS),基因富集分析明确CENPK基因调控的相关信号通路。结果498例前列腺癌患者的癌组织和癌旁组织中CENPK基因mRNA的表达水平分别为3.9247±1.0929和3.4066±1.1545,差异有统计学意义(t=3.235,P=0.001)。52例配对的前列腺癌组织和癌旁组织中CENPK基因mRNA的表达水平分别为8.2071±0.2952和3.4066±1.1545,差异有统计学意义(t=28.309,P<0.001)。受试者工作特征(ROC)曲线分析显示CENPK基因可作为一个灵敏度和特异度较高的前列腺癌诊断指标(灵敏度为60.8%,特异度为63.5%,曲线下面积为0.625,95%CI为0.785~0.852)。有生化复发、PSA>4 ng/mL、Gleason评分>7分、有肿瘤残留、T分期为T3~T4期、有淋巴结转移的前列腺癌患者CENPK基因mRNA高表达率明显高于无生化复发、PSA≤4 ng/mL、Gleason评分≤7分、无肿瘤残留、T分期为T1~T2b期、无淋巴结转移的前列腺癌患者,差异有统计学意义(P<0.05)。CENPK基因高表达组OS及DFS明显短于CENPK基因低表达组,差异有统计学意义(P=0.045、0.003)。基因富集分析显示,CENPK基因可能通过碱基切除修复、核苷酸切除修复、基因复制、剪接体、错配修复等通路影响前列腺癌的发生、发展。结论CENPK基因在前列腺癌组织中呈高表达,且与临床特征及预后关系密切,可作为前列腺癌较好的诊断标志物。

基于改进稀疏非负矩阵分解方法的乳腺癌微阵列表达数据分析

目的利用改进稀疏非负矩阵分解技术对乳腺癌基因表达谱数据进行双向聚类,挖掘与乳腺癌发病密切相关的基因及其生物过程。方法用小波对22 283个基因的人乳腺癌基因表达数据进行去噪,然后通过T统计初步筛选出5 067个基因作为改进稀疏非负矩阵的输入矩阵,进行双向聚类进一步筛选出81个与乳腺癌密切相关的显著基因,最后通过cytoscape对81个与乳腺癌密切相关的显著基因构建生物过程结构图。结果筛选出与乳腺癌相关的基因、可能相关的基因以及这些基因参与的生物过程之间的关系。结论改进稀疏非负矩阵分解与现存的其他非负矩阵分解算法相比具有聚类效果好、稳定性强且迭代次数少的优点,适合于乳腺癌差异表达基因的提取。

基于ICASSO的乳腺癌基因表达数据可靠特征提取

运用独立成分分析(ICA)方法对乳腺癌基因表达谱数据进行特征提取,并采用聚类及可视化的可靠性评估方法(ICASSO)对所提取的独立成分(IC)进行评估和综合可得到与疾病更加密切相关的显著基因。结果显示,通过与乳腺癌发病的相关性分析,选取显著性高的IC分析发现,其100个特征基因当中,经分子生物学实验验证与乳腺癌发病密切相关的基因有35个,在此基础上通过从基因调控网络的角度分析这些特征基因所参与的生物过程,进一步证实了部分生物过程也与乳腺癌发病密切相关。

基于公共数据库分析肿瘤坏死因子受体超家族成员-4在喉鳞状细胞癌中的表达及临床意义

目的 通过多个数据库资料结合临床样本分析喉鳞状细胞癌(鳞癌)患者中肿瘤坏死因子受体超家族成员(TNFRSF)4表达水平的变化,研究TNFRSF4在喉鳞癌发生发展中的作用。方法 根据高通量基因表达(GEO)数据库和癌症基因组图谱(TCGA)数据库转录组表达谱数据筛选出差异表达的基因,结合基因表达谱数据动态分析(GEPIA)数据库对差异基因TNFRSF4进行表达水平预测和生存分析;同时通过3例患者的喉鳞癌组织与癌旁组织标本进行qRT-PCR和Western blot验证,基于TCGA的临床数据绘制K-M生存曲线图并进行Cox回归分析。采用基因集富集分析探究与TNFRSF4在喉鳞癌中作用有关的信号通路。结果 数据库和临床样本中,喉鳞癌组中TNFRSF4的表达高于正常组(P<0.05),且TNFRSF4高表达组的生存率高于TNFRSF4低表达组(P<0.01)。多因素的Cox回归分析显示,TNFRSF4表达水平(HR:0.430,95%CI:0.229~0.806,P=0.009)、性别(HR:0.424,95%CI:0.204~0.882,P=0.022)、淋巴结分期(HR:2.010, 95%CI:1.055~3.831,P=0.034)和远处转移(HR:3.706, 95%CI:1.152~11.922,P=0.028)四个因素共同对患者的总生存时间产生影响。基因集富集分析的结果显示,与TNFRSF4表达最显著相关的信号通路有细胞黏附分子、JAK-STAT信号通路、T细胞受体信号通路、B细胞受体信号通路、原发性免疫缺陷和自身免疫性甲状腺疾病。结论 TNFRSF4高表达可能是喉鳞癌患者预后良好的生物标志物。

癌症基因分类的Laplace谱方法

本文尝试着将图的Laplace谱理论应用于癌症基因表达谱数据的分类上.计算出训练集中每个类的均值作为类中心,选出与类中心欧式距离最小的若干样本用laplace矩阵构造完全图,记为代表该类的标准图.用待测样本依次替换标准图中所有的点,将生成的新图与标准图进行特征点匹配,并计算匹配点数总和.将待测样本划分为总匹配点数最多的那个类.通过对白血病两个亚型(ALL与AML)与结肠癌数据进行留一法实验,验证了本文方法的有效性.

基于模糊粗糙集的肿瘤分类特征基因选取

依据基因表达谱有效建立肿瘤分类模型的关键在于,准确找出决定样本类别的一组特征基因。粗糙集理论作为一种新的软计算方法能够保持在原数据集的分类能力不变的基础上,对属性极大约简,从大量基因中找到对分类有效的基因。由于基因表达谱数据集的连续性,为了避免运用粗糙集方法所必需的离散化过程带来的信息丢失,尝试将模糊粗糙集应用于特征基因的选取,提出了基于互信息的模糊粗糙集属性约简算法,运用于基因表达谱数据集的基因选取。然后分别采用KNN和C5.0分类器进行特征基因分类性能进行检验。以急性白血病亚型(leukemia Microarray)和直肠癌(colon Microarray)分类特征基因选取为例进行实验,结果表明了上述方法的可行性和有效性。

一种基于互信息的模糊粗糙分类特征基因快速选取方法

依据基因表达谱建立有效肿瘤分类模型的关键在于准确找出决定样本类别的一组特征基因。粗糙集理论已成功应用于肿瘤分类特征基因选取中。然而,粗糙集方法处理连续值的基因表达谱数据集所必需的离散化过程会使得部分信息丢失,对所选取的特征基因的分类精度造成一定影响。因此,曾提出基于互信息的模糊粗糙集基因表达谱数据集特征基因的选取算法。然而,该算法计算代价较高,当所选取的基因数较多时难以实现。为此,对该算法进行了改进,从最大相关性和最重要性(最小冗余)两方面对互信息进行了近似替代计算,大大降低了算法的复杂度,提高了算法的效率。以急性白血病亚型(leukemia)、直肠癌(colon)和乳腺癌(Breast)分类特征基因选取为例进行实验,然后分别采用1NN和SVM分类器进行特征基因分类精度检验,结果证实了新方法的可行性和有效性。

基于聚类和微粒群优化的基因选择方法

在高维的基因表达谱数据中,只有少量基因对分类诊断其作用,而且还存在大量冗余的与癌症分类诊断无关的噪声基因,这些都会导致分类性能的下降。通过基因选择选取与分类紧密关联的基因,不仅能够剔除与疾病无关的基因,减少机器学习算法的时间复杂度和空间复杂度,提高分类的正确率,而且选出的特征基因可以作为肿瘤基因诊断和肿瘤药物治疗靶标确定的依据,降低后期生物学分析成本。本文提出一种基于聚类和粒子群算法(Particle swarm optimization,PSO)的基因选择方法,在PSO算法进行搜索之前,先对基因进行聚类,并对聚类结果进行选择,将被选中的簇的中心作为PSO的初始值,每个被选中的簇作为一个搜索空间,并利用极限学习机(Extreme learning machine,ELM)的分类精度作为特征选择的适应评价标准。该算法不仅有效地利用了聚类算法对基因进行初步归并的能力,也利用了PSO算法的全局优化能力,克服了传统PSO算法早熟、局部收敛速度慢的缺点,因此它能够高效地完成最优基因子集的确定,同时提高癌症分类正确率。

一种改进的基于先验信息和微粒群算法的基因选择方法

针对KMeans-GCSI-MBPSO-ELM方法中冗余基因去除时会出现的"误删除"现象,提出一种改进的基于先验信息和微粒群算法(particle swarm optimization,PSO)的基因选择方法(I-KGME).在充分考虑基因类别灵敏度(gene-to-class sensitivity,GCS)信息的基础上,利用二进制PSO耦合GCS信息和K-均值聚类算法进行基因选择,并通过二进制PSO算法实现优化.该类方法能够获取低冗余、高预测性的基因子集,并在多个基因表达谱数据上获得了优于经典基因选择方法和KMeansGCSI-MBPSO-ELM方法的性能.

乳腺癌患者特征基因优化识别仿真

乳腺癌基因识别技术可以筛选出基因芯片中与乳腺癌相关的特异基因,为乳腺癌的早期的诊断提供参考。传统的分类方法难以解决基因谱数据高维、高噪、数据量庞大的问题。提出基于模糊支持向量机(FSVM)技术的乳腺癌基因识别,通过对乳腺癌患者的特征基因进行提取,剔除与病变无关的基因、删除突变基因中的冗余信息、构造KNN几何平均隶属度函数的模糊支持向量机,并嵌入新的内核函数L-KMOD,对不同的样本点赋予不同的惩罚参数,克服样本数据少维数高的影响,提高了乳腺癌基因辨识的正确率。选用美国国立生物信息中心共享数据库下载的乳腺癌基因芯片进行识别试验,结果的平均错分率为3. 89%,最高正确率达到了98. 9%,训练时间和识别时间均在合理范围内。

基于最小生成树的基因分类算法

随着基因芯片技术的快速发展以及其在基因表达分析等过程中的应用,产生了大量的基因表达谱数据,如何处理和分析这些数据并从中提取出有价值的生物学信息成为一个极为重要的课题,基因分类是进行基因数据处理的常用方法。本文首先利用主成分分析法(PCA)把基因的多个属性转化为少数几个综合属性,将基因表达谱数据映射成一个带权图,并将图论的最小生成树理论引入基因分类分析方法,然后设计了基于最小生成树的基因分类算法,理论分析和仿真结果表明了该算法的可行性和有效性。

CCL18介导肿瘤微环境趋化因子网络导致卵巢癌不良预后的研究

目的分析血清CC趋化因子配体18(CC-chemokine ligand 18,CCL18)与卵巢癌预后的关系及其对卵巢癌微环境中其他趋化因子及受体的调控作用,探讨CCL18促进肿瘤生长和转移的可能机制。方法采用流式荧光微球法检测320例卵巢癌患者、150例盆腔良性肿块患者及100名正常对照女性血清样本中CCL18的表达,分析基因表达谱(Gene Expression Omnibus,GEO)以及癌症基因图谱(The Cancer Genome Atlas,TCGA)数据库中CCL18基因表达与卵巢癌患者预后的关系。采用过表达CCL18的卵巢上皮癌细胞SKOV3-GFP-CCL18建立裸鼠皮下移植瘤模型,实时荧光定量PCR(qRT-PCR)检测移植瘤内其他趋化因子及受体的表达。结果卵巢癌患者血清中CCL18的表达水平显著高于盆腔良性肿块患者和正常对照女性[(238.04±93.59)ng/mL vs(94.36±59.17)ng/mL,P<0.001;(238.04±93.59)ng/mL vs(31.68±26.10) ng/mL,P<0.001],且高表达CCL18的卵巢癌患者中位无疾病进展生存期较低表达者短(15.0个月vs18.2个月,HR=1.25,95%CI:1.08～1.44,P=0.003)。CCL18激活卵巢癌微环境的XCL1-XCR1、XCL2-XCR1、CCL2-CCR2、CCL11-CCR3、CCL17-CCR4、CXCL9-CXCR3、CXCL11-CXCR3、CXCL12-CXCR4趋化因子-受体轴表达,抑制了CXCL1-CXCR2、CXCL6-CXCR2、CXCL8-CXCR2、CCL5-CCR1、CCL5-CCR5、CCL27-CCR10、CCL28-CCR10趋化因子-受体轴的表达。结论 CCL18促进卵巢癌细胞转移可能与激活转移趋化因子-受体XCL1-XCR1、XCL2-XCR1、CCL2-CCR2、CCL17-CCR4表达和下调CCL5-CCR5、CCL27-CCR10和CCL28-CCR10表达有关,其可能造成卵巢癌患者不良预后。