[發(fā)明專利]一種基于基因芯片數(shù)據(jù)的疾病影響因素的挖掘方法

有效

• 申請?zhí)枺?/td>: 201710595987.X
• 申請日: 2017-07-20
• 公開（公告）號: CN107301331B
• 公開（公告）日: 2020-05-05
• 發(fā)明（設(shè)計）人: 孫艷春;喬子健
• 申請（專利權(quán)）人: 北京大學(xué)
• 主分類號: G16B25/10
• 分類號: G16B25/10;G16B40/00
• 代理公司: 北京萬象新悅知識產(chǎn)權(quán)代理有限公司 11360
• 代理人: 王巖

本發(fā)明公開了一種基于基因芯片數(shù)據(jù)的疾病影響因素的挖掘方法。本發(fā)明將原始數(shù)據(jù)有效拆分成患者樣本和正常人樣本，設(shè)定評定標(biāo)準(zhǔn)，對有效數(shù)據(jù)進行過濾、補全和合并后，設(shè)計核心選擇器，將檢測樣本的不同探針看作是樣本的不同特征，從而將問題歸納成“特征選擇”問題，核心選擇器選出排名最靠前的m個探針，利用基因芯片平臺數(shù)據(jù)得到每個探針對應(yīng)的基因名稱，得到基因?qū)用嫔霞膊〉挠绊懸蛩?；本發(fā)明創(chuàng)新地提出了一種基于基因芯片數(shù)據(jù)對疾病基因?qū)用嬗绊懸蛩氐姆治鐾诰蚍椒?，為進一步的生物學(xué)實驗提供了更多的理論假設(shè)和支持。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)的分析挖掘技術(shù)，具體涉及一種基于基因芯片數(shù)據(jù)的疾病影響因素的挖掘方法。

背景技術(shù)

基因芯片(gene chip)，又稱DNA微陣列(microarray)，是由大量DNA或寡核苷酸探針密集排列所形成的探針陣列?；蛐酒汛罅恳阎蛄刑结樇稍谕粋€基片上，根據(jù)堿基互補匹配的原理確定靶基因的序列。這樣，可以對生物細(xì)胞或組織中大量的基因信息進行分析[孫嘯,陸祖宏,謝建明.生物信息學(xué)基礎(chǔ)[M].清華大學(xué)出版社,2006.]。

對于基因芯片數(shù)據(jù)來說，最基本的應(yīng)用就是運用不同的機器學(xué)習(xí)、數(shù)據(jù)分析挖掘方法，研究多個樣本之間相同基因的不同表達(dá)水平，來發(fā)現(xiàn)疾病與基因表達(dá)之間的關(guān)系。Quackenbush等人對微陣列表達(dá)計算分析進行了一系列實驗，遠(yuǎn)景是希望通過基因及其功能對疾病狀態(tài)進行分類，但實驗結(jié)論卻說明了微陣列數(shù)據(jù)處理和解釋尚不是一門精確的科學(xué)[Quackenbush J.Computational analysis of microarray data.[J].Nature ReviewsGenetics,2001,2(6):418.]。在假設(shè)集群中的基因共享一些共同功能或調(diào)節(jié)元素的基礎(chǔ)上，使用了層次聚類算法進行分析，發(fā)現(xiàn)聚類結(jié)果依賴于實驗中的每一步，不同的選擇可以得到很不同的結(jié)果，聚類分析并不能給出絕對的答案。但這也是令人興奮的地方，使用不同的數(shù)據(jù)挖掘方法可以照亮數(shù)據(jù)間不同的關(guān)系，得到多種相關(guān)關(guān)系和探索方向，這些都可以作為生物科學(xué)實驗室的假設(shè)，從而使對基因表達(dá)模式的研究更好地應(yīng)用于人類對疾病狀態(tài)分類的研究。張潔等人將決策樹算法應(yīng)用到來源于WTCCC[https://www.wtccc.org.uk/]的冠心病被試者的基因芯片數(shù)據(jù)(其中包含4864名被試者的基因位點信息以及患者是否患病的0/1變量)，去尋找與冠心病相關(guān)聯(lián)的易感位點，并建立模型預(yù)測新的被試者是否患??；最終挑選出來5個與冠心病相關(guān)聯(lián)的易感位點，并且得到了一個準(zhǔn)確率穩(wěn)定在74％的患病預(yù)測模型[張潔.決策樹膜型在冠心病全基因組關(guān)聯(lián)研究中的應(yīng)用[D].復(fù)旦大學(xué),2013.]。李忠輝等人從NCBI數(shù)據(jù)庫GEO中得到2型糖尿病胰島組織基因表達(dá)譜數(shù)據(jù)，利用QlucoreOmics Exploer[http://www.qlucore.com/],Panther[http://pantherdb.org/],David[https://david.ncifcrf.gov/]等多種生物信息學(xué)軟件對基因表達(dá)譜數(shù)據(jù)進行了聚類分析、PCA分析等研究，最終得到糖尿病胰島組織與正常胰島組織存在782個差異表達(dá)的基因；其中用到的多種生物信息學(xué)軟件都是計算機科學(xué)在基因數(shù)據(jù)研究中的典型應(yīng)用[李中輝.Ⅱ型糖尿病相關(guān)基因的生物信息學(xué)研究[D].南方醫(yī)科大學(xué),2015.]。Khan等人使用人工神經(jīng)網(wǎng)絡(luò)算法對小型圓形藍(lán)色細(xì)胞腫瘤(small-blue-round-cell tumour,SRBCT)進行分類診斷；這些癌癥分屬4個不同的診斷類別，在臨床實踐中常常會出現(xiàn)診斷困境，而通過人工神經(jīng)網(wǎng)絡(luò)模型不但可以正確分類所有樣本，還確定了與分類最相關(guān)的基因，該研究表明了數(shù)據(jù)分析方法在疾病診斷中的潛在應(yīng)用[Khan J,Wei J S,Ringnér M,etal.Classification and diagnostic prediction of cancers using gene expressionprofiling and artificial neural networks[J].Nature Medicine,2001,7(6):673-679.]。Statnikov等人在11個數(shù)據(jù)集上對各種多分類器進行實驗評估，結(jié)果發(fā)現(xiàn)預(yù)先執(zhí)行好的基因選擇算法可以顯著提高各模型的分類性能，并最終得到支持向量機(SVM)算法在11個數(shù)據(jù)集的分類應(yīng)用中具有最高的分類精度[Statnikov A,Aliferis C F,TsamardinosI,et al.A comprehensive evaluation of multicategory classification methodsfor microarray gene expression cancer diagnosis[J].Bioinformatics,2005,21(5):631-43.]。