[發明專利]基于LLRFC和相關性分析去除冗余的特征選擇方法LLRFC score+

在審

• 申請號: 201610057637.3
• 申請日: 2016-01-27
• 公開（公告）號: CN105740653A
• 公開（公告）日: 2016-07-06
• 發明（設計）人: 李建更;李曉丹;張衛;王朋飛;李立杰;張巖
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F19/24
• 分類號: G06F19/24
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

技術領域

本發明涉及生物信息學的腫瘤分類研究技術領域，是一種針對腫瘤基因表達譜數據的特征選擇方法。

背景技術

近年來，基因芯片技術的發展使得大規模并行檢測成千上萬個基因的表達量成為可能，從分子生物學水平上為人類疾病的診斷和防治開辟了全新途徑。通過分析不同組織類型(比如正常細胞和腫瘤細胞或者癌癥的不同分期階段)中的基因表達差異，對相應基因表達數據的分類，實現臨床對腫瘤疾病的診斷治療、亞型識別和預后分析。目前腫瘤患者的發病率和死亡率一直呈上升趨勢，已經成為人類健康的第一殺手，所以采用基因芯片技術研究癌癥分類近年來成為生物信息學領域的一個研究熱點。

由于微陣列實驗成本高，基因樣本數量少(一般是幾十或者一兩百例)。而檢測的基因數目高達幾千甚至上萬，加上基因表達復雜的關系，僅有少量基因攜帶與疾病類別相關的信息，這些都使表達譜數據的相關的分析面臨很大挑戰。“小樣本，高緯度”容易造成“維數災難”的問題，不僅使得計算時間復雜度高，而且其他冗余基因的存在也進一步降低學習分類準確率，影響分類的效果。因此，需要對基因表達譜數據進行有效降維，從海量數據中提取對腫瘤識別有重要作用的關鍵特征基因。

目前，基于腫瘤基因表達譜數據的降維方法主要是特征提取和特征選擇兩方面。相對于特征提取的降維方法，即在一定的約束下將高維數據映射到低維子空間。所提取的特征一般是原始特征的某種線性結合，沒有明確的含義，生物解釋性差；特征選擇方法從原始的大量數據中選擇出含有較多分類信息的特征基因，不僅能有效提高分類的精度，而且有重要的生物學意義。通過對這些基因進行相關的生物功能分析，可以探索腫瘤發病機理，幫助人們尋找癌癥的致病基因。從基因表達的角度解釋腫瘤的成因，因而特征選擇的方法在腫瘤分類中應用廣泛。

通常特征選擇方法分為過濾法、封裝法和嵌入法三種類型。在封裝方法中，特征選擇過程與分類過程集于一體，基于特定的分類器選擇最佳特征子集，分類精度比較高，但計算復雜度，且依賴于分類器的選擇，泛化能力差；嵌入方法依據分類器的某種特性作為特征評價標準，計算復雜度也較高；過濾方法僅依靠訓練數據集本身的內在結構，依據判別準則對特征進行排序，選擇含有較多分類信息的特征。過濾方法獨立于分類器的選擇，具有運算速度快、能夠較好地處理大內存的數據、分類器泛化能力強等優點而被廣泛采用。

傳統的過濾特征選擇算法有：T-test，信噪比、Fisherscore等，但均沒有考慮特征間的相互關系，這些方法在線性特征選擇中表現很好但對于非線性特征選擇表現較差。相關研究者也系統性證明了非線性降維模型相對于線性模型更適合于基因表達譜數據的腫瘤分類。LLE是近年來提出的一種新的非線性降維方法，考慮近鄰樣本問題,構建局部最優權重矩陣?；谧顑灆嘀鼐仃嚨玫礁呔S數據的低維嵌入特征并使其與近鄰點的距離的誤差最小,也就使得在低維空間中仍然能夠保持原始空間中近鄰樣本點之間的拓撲結構。同時也可以獲取原始數據一個全局的低維嵌入表示，達到特征提取的目的。LLE能夠很好探測到高維數據空間的低維流形結構，但由于未考慮樣本類別信息，不能很好的用于腫瘤分類問題?；诖?，有研究者提出LLRFC(LocallyLinearRepresentationFisherCriterion)，一種有監督的特征提取方法。依據樣本類別信息分別構建類內、類間近鄰圖，在保持原始數據幾何結構的基礎上使具有相同標簽的近鄰樣本盡可能緊湊、不同標簽的近鄰樣本盡可能分散。這種基于圖譜理論的特征提取方法能有效提升分類的準確率，且不需要數據滿足高斯分布類型，適用于任意空間分布的訓練樣本。LLRFC所提取的特征沒有明確的生物學意義，解釋性不強。并且由于基因表達數據之間的復雜性，LLRFC算法沒有考慮特征基因之間的相互關系，所選擇的特征基因中仍存在冗余。

發明內容

在圖論嵌入框架及其線性化、核化、張量化形式中，許多經典的流形學習方法可以被重構。在此框架下還可以探索新的降維方法(LLRFC也可以歸到此框架下)。一些基于圖論框架的特征選擇方法相繼出現，比如說Laplacianscore、LSDF(LocalitySensitiveDiscriminantFeature)score和MFA(MarginalFisherAnalysis)score等，通過探索數據的本征結構圖可以發現更多的信息特征。