[發(fā)明專利]基于MFA score和排除冗余的基因表達譜特征選擇方法

在審

• 申請?zhí)枺?/td>: 201410438783.1
• 申請日: 2014-08-30
• 公開（公告）號: CN104200135A
• 公開（公告）日: 2014-12-10
• 發(fā)明（設(shè)計）人: 李建更;蘇磊;逄澤楠;李曉丹;張衛(wèi)
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G06F19/24
• 分類號: G06F19/24
• 代理公司: 北京思海天達知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 沈波

1.基于MFA?score和排除冗余的基因表達譜特征選擇方法，其 特征在于：

本發(fā)明采用的技術(shù)方案實現(xiàn)步驟如下，

1)構(gòu)造腫瘤樣本的類內(nèi)近鄰矩陣W_w和類間近鄰矩陣W_b；

利用DNA芯片測定腫瘤基因表達譜，表達譜中n個樣本，n代表 不同的患者，組成的集合可以表示為：X＝[x₁,x₂,...,x_n]， (i＝1,2,...,n)代表一個有m個基因的樣本(n<<m)；腫瘤樣本 集合還可以寫成X＝[f₁,f₂,....,f_m]^T，(j＝1,2,...,m)是一個基因在各 個樣本中的表達值組成的向量；根據(jù)腫瘤樣本間的歐氏距離和類別信 息，其類別信息為有病、無病或腫瘤的亞型，對于每一個樣本，在與 之同類的子集中選擇k₁個近鄰，在與之不同類的子集中選擇k₂個近 鄰，這樣分別構(gòu)造出類內(nèi)近鄰矩陣W_w和類間近鄰矩陣W_b：

Ww(i,j)=1xi∈Nk1(xj)orxj∈Nk1(xi)0else]]>

Wb(i,j)=1xi∈Pk2(xj)orxj∈Pk2(xi)0else]]>

N_k1(x_i)表示在與x_i同類的樣本中k₁個近鄰組成的集合，P_k2(x_i)表示 在與x_i不同類的樣本中k₂個近鄰組成的集合；

2)計算得出腫瘤樣本類間拉普拉斯矩陣L_b和類內(nèi)拉普拉斯矩陣 L_w；

其中L_b＝D_b-W_b，D_b是一個對角矩陣，對角元素為W_b的列元素之 和或行元素之和；L_w＝D_w-W_w，D_w是一個對角矩陣，對角元素為W_w的列元素之和或行元素之和；

3)由MFA?score算法得出基因序列；

由MFA?score評價基因的函數(shù)：Score(f_j)來計算每一個基因 (j＝1,2,...,m)的分數(shù)，然后根據(jù)分數(shù)從大到小對基因進行排序， 得到基因序列：[F₁,F₂,...,F_m]；

4)排除冗余，得到基因子集；

兩個基因的Pearson相關(guān)系數(shù)為：

ρ(fi,fj)=Σk=1n(fik-fi‾)(fjk-fj‾)Σk=1n(fik-fi‾)2Σk=1n(fjk-fj‾)2]]>

因而可以用ρ_ij＝|ρ(f_i，f_j)|來衡量兩個基因的相關(guān)性；首先取出基因序 列的第一個基因加入基因子集Φ，再取出第二個基因計算ρ₁₂，如果 ρ₁₂＞σ，0＜σ＜1，直接取出第三個基因計算ρ₁₃；如果ρ₁₂＜σ，將 第二個基因加入特征子集Φ，再取出第三個基因計算ρ₁₃，第三個以 后的每個基因都要和基因子集中的所有基因計算ρ_ij，只要有一個ρ_ij大于σ就直接取出下一個判斷，如果都小于σ，則將其加入基因子集 再取出下一個進行判斷，直到基因子集Φ的大小達到預(yù)定個數(shù)為止。

2.根據(jù)權(quán)利要求1所述的基于MFA?score和排除冗余的基因表達 譜特征選擇方法，其特征在于：采用網(wǎng)站http://www.gems-system.org 上的肺癌數(shù)據(jù)集，它的特點如下表所列：

表1??Lung?Cancer 基因數(shù)：12600

將數(shù)據(jù)隨機二等分，一半分為訓(xùn)練集，用于特征選擇，然后用支持向 量機在另一半的測試集上測試，得出分類準確率，這樣分得的訓(xùn)練集 有103個樣本，測試集100個樣本；

1、特征選擇：

1)構(gòu)造類內(nèi)近鄰矩陣W_w和類間近鄰矩陣Wb；

Lung?Cancer訓(xùn)練集的103個樣本組成的集合可以表示為： X＝[x₁,x₂,...,x₁₀₃]，矩陣的大小為12600×103；樣本集合還可以寫成 X＝[f₁,f₂,....,f₁₂₆₀₀]^T，f_j是一個基因在各個樣本中的表達值組成的向量； 根據(jù)樣本間的歐氏距離和類別信息，對于每一個樣本，在與之同類的 子集中選擇k₁＝2個近鄰，在與之不同類的子集中選擇k₂＝25個近鄰， 這樣分別構(gòu)造出類內(nèi)近鄰矩陣W_w(103×103)和類間近鄰矩陣 W_b(103×103)：

Ww(i,j)=1xi∈N2(xj)orxj∈N2(xi)0else]]>

Wb(i,j)=1xi∈P25(xj)orxj∈P25(xi)0else]]>

N₂(x_i)表示在與x_i同類的樣本中2個近鄰組成的集合，P₂₅(x_i)表示 在與x_i不同類的樣本中25個近鄰組成的集合；

2)計算得出類間拉普拉斯矩陣L_b和類內(nèi)拉普拉斯矩陣L_w；

其中L_b＝D_b-W_b，D_b是一個對角矩陣，對角元素為W_b的列元素 之和或行元素之和；L_w＝D_w-W_w，D_w是一個對角矩陣，對角元素為W_w的列元素之和或行元素之和；

3)由MFA?score算法得出基因序列；

由MFA?score評價基因的函數(shù)：Score(f_j)來計算每一個基因 (j＝1,2,...,12600)的分數(shù)，然后根據(jù)分數(shù)從大到小對基因進行 排序，得到基因序列：[F₁,F₂,...,F₁₂₆₀₀]；

4)排除冗余，得到基因子集；

兩個基因的Pearson相關(guān)系數(shù)為：

ρ(fi,fj)=Σk=1n(fik-fi‾)(fjk-fj‾)Σk=1n(fik-fi‾)2Σk=1n(fjk-fj‾)2]]>

因而可以用ρ_ij＝|ρ(f_i，f_j)|來衡量兩個基因的相關(guān)性；首先取出基因序 列的第一個基因加入基因子集Φ，再取出第二個基因計算ρ₁₂，如果 ρ₁₂＞σ(為一個閾值，σ＝0.9)，直接取出第三個基因計算ρ₁₃；如果 ρ₁₂＜σ，將第二個基因加入特征子集Φ，再取出第三個基因計算ρ₁₃， 第三個以后的每個基因都要和基因子集中的所有基因計算ρ_ij，只要 有一個ρ_ij大于σ就直接取出下一個判斷，如果都小于σ，則將其加 入基因子集再取出下一個進行判斷，直到基因子集Φ的大小達到70 為止；這樣就從眾多基因中選出了70個基因；

2、訓(xùn)練和測試

經(jīng)過特征選擇，訓(xùn)練集和測試集變?yōu)閄_train(70×103)和X_test(70×103)； 取前i個基因得到X'_train(i×103)和X'_test(i×103)，用Matlab中l(wèi)ibsvm工具箱的 “svmtrain”函數(shù)對X'_train進行訓(xùn)練，然后用libsvm工具箱的“svmpredict” 函數(shù)對X'_test進行測試，得到選擇i個基因時的分類準確率，像這樣，i取 1～70便可以得到對應(yīng)于基因數(shù)為1到70的分類準確率曲線；

將上述過程重復(fù)25次，得到準確度的平均值。