检索结果-南通市图书馆

应用突函数差异算法进行癌症分类的基因选择(英文)

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机科学与探索 2009年第6期3卷 612-620页

作者： LE THI Hoai An NGUYEN Van-Vinh OUCHANI Samir Laboratory of Theoretical and Applied Computer Science(LITA)UFR MIM University of Paul Verlaine-Metz Ile du Saulcy

研究了有关癌症分类的基因选择问题。开发了集成的基于平滑剪切绝对偏差罚分的SVM—特征选择方法,直接最小化分类器的性能。为解决优化问题,应用了突函数差异算法(difference of convex functionsal-gorithms,DCA)这一进行非突连续优化... 详细信息

研究了有关癌症分类的基因选择问题。开发了集成的基于平滑剪切绝对偏差罚分的SVM—特征选择方法,直接最小化分类器的性能。为解决优化问题,应用了突函数差异算法(difference of convex functionsal-gorithms,DCA)这一进行非突连续优化的通用框架,致使连续线性规划算法有限收敛。真实数据集上的先验实验表明算法达到了预想目标:在压缩大量属性的同时,保持了较小分类差错。

关键词：基因选择特征选择癌症分类支持向量机非突优化 DC编程

基因表达数据的基于类别树和SVMs的多类癌症分类算法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基因表达数据的基于类别树和SVMs的多类癌症分类算法

改进的多类支持向量机递归特征消除在癌症多分类中的应用

第二十一届中国数据库学术会议

作者：杨昆李建中王朝坤徐继伟哈尔滨工业大学计算机科学与技术学院

对不同类型癌症精确可靠的分类在癌症的诊断和治疗是极其重要的.近年来提出了很多使用基因表达数据来分类多个癌症类型的方法.这些方法在分类过程中不考虑类别间的关系,独立地处理每个类别,丢失了很多类别和基因的信息.提出了一个基于... 详细信息

对不同类型癌症精确可靠的分类在癌症的诊断和治疗是极其重要的.近年来提出了很多使用基因表达数据来分类多个癌症类型的方法.这些方法在分类过程中不考虑类别间的关系,独立地处理每个类别,丢失了很多类别和基因的信息.提出了一个基于类别树和支持向量机(SVMs)的多类癌症分类算法(TSS),考虑类别间的相互关系和生物学意义.这一方法借助类别间的关系(距离)构建一棵二叉树,然后沿着树进行基因选择,最后由树和选出的基因训练基于支持向量机的分类器.在树结构上选出的基因和树的层次关系为生物学家提供了更多的生物学信息.提出的方法用一个公共可得到的真实数据集进行了测试,结果表明,分类能力优于先前证实表现最好的OVA方法.

关键词：算法癌症分类生物信息学基因表达数据分析基因选择

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

计算机应用 2015年第10期35卷 2798-2802页

作者：黄晓娟张莉苏州大学计算机科学与技术学院苏州215006

为处理癌症多分类问题,已经提出了多类支持向量机递归特征消除(MSVM-RFE)方法,但该方法考虑的是所有子分类器的权重融合,忽略了各子分类器自身挑选特征的能力。为提高多分类问题的识别率,提出了一种改进的多类支持向量机递归特征消除(MM... 详细信息

为处理癌症多分类问题,已经提出了多类支持向量机递归特征消除(MSVM-RFE)方法,但该方法考虑的是所有子分类器的权重融合,忽略了各子分类器自身挑选特征的能力。为提高多分类问题的识别率,提出了一种改进的多类支持向量机递归特征消除(MMSVM-RFE)方法。所提方法利用一对多策略把多类问题化解为多个两类问题,每个两类问题均采用支持向量机递归特征消除来逐渐剔除掉冗余特征,得到一个特征子集;然后将得到的多个特征子集合并得到最终的特征子集;最后用SVM分类器对获得的特征子集进行建模。在3个基因数据集上的实验结果表明,改进的算法整体识别率提高了大约2%,单个类别的精度有大幅度提升甚至100%。与随机森林、k近邻分类器以及主成分分析(PCA)降维方法的比较均验证了所提算法的优势。

关键词：支持向量机特征选择递归特征消除癌症分类基因数据

基于Choquet模糊积分的癌症样本分类研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于Choquet模糊积分的癌症样本分类研究

作者：陈嘉杰华南农业大学

学位级别：硕士

利用微阵列技术进行癌症样本数据分析是当前生物信息领域的一个热点研究问题。微阵列技术能够测量基因表达水平,这对癌症早期表现不显著的患者,能够较为准确地从基因表达水平上判断出来;另外,结合机器学习模型,能够有效识别哪些基因在... 详细信息

利用微阵列技术进行癌症样本数据分析是当前生物信息领域的一个热点研究问题。微阵列技术能够测量基因表达水平,这对癌症早期表现不显著的患者,能够较为准确地从基因表达水平上判断出来;另外,结合机器学习模型,能够有效识别哪些基因在癌症中是重要基因,这给医学研究人员获取细胞癌变内部机理的重要途径。本文针对癌症数据集进行重要基因提取,并做样本分类,需要对数据做预处理、特征提取和分类等处理步骤。数据做预处理是将原始数据中大量噪声尽可能去除,并做归一化处理,使得数据符合正态分布。基因芯片数据是高维度低样本的数据,在上万个基因中通常起分类作用的关键基因只有几十个,而样本数只有一百个左右,直接用于分类器训练会极大增加分类模型的复杂度,造成过拟合现象。因此需要增加特征提取步骤,提取出关键基因,降低数据特征数量,减少分类器训练时间和提高分类器分类效果。最后是分类步骤,构建癌症样本分类器,因不同分类算法对不同数据集的分类效果也会不同,需要进一步做实验对比。本文的主要研究内容集中在特征提取和分类阶段,基于Choquet模糊积分模型,结合特征提取算法,完成癌症样本分类任务。Choquet模糊积分模型能够很好地描述特征间的交互作用,因此非常适合应用在与特征基因相关的癌症样本分类的问题中。传统的L正则化能快速完成特征提取,但未考虑特征间的关系。本文在L正则化特征提取的基础上,提出一种基于Choquet模糊积分和L正则化的包裹式特征提取算法FI-L,既有L的速度优势,同时又可以将基因间的交互作用融入模型。算法采用Matlab语言开发,数据预处理采用Bioconductor工具箱。实验结果表明FI-L算法分类效果要高于传统的L正则化特征提取算法,和近几年国内外研究人员实验情况对比,其中DLBCL、Colon和GLI-85数据集的分类效果明显高于其他研究。在Choquet模糊积分模型求解上,本文提出了两种解法:一种是基于L正则化;另外一种是基于改进的蚁群算法。传统的Choquet模糊积分模型求解是基于遗传算法等软计算方法,搜索效率差,耗时长。在特征提取阶段,不要求模糊测度十分精确,只需要能够提供特征间关系即可,因此采用快速的基于L正则化求解方法更好,在模糊积分模型上添加L范数,将求解问题转化为带约束的求极小值问题。在分类阶段,采用改进的蚁群算法进行求解,算法设计上兼顾局部搜索和全局搜索,允许每一只蚂蚁根据状态转移概率随机选用局部搜索,尽可能地找出更优解(陈嘉杰等,2018)。实验结果表明,模糊积分在特征数量较少时分类效果较好,基于改进的蚁群算法求解的分类效果总的来说优于基于遗传算法,且运行时间明显少于基于遗传算法。

关键词： Choquet模糊积分特征选择 L1/2正则化 FI-L1/2 FI-ACO 癌症分类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的癌症基因数据分类研究与实现

基于深度学习的癌症基因数据分类研究与实现

作者：陈雅琳电子科技大学

学位级别：硕士

随着高通量基因测序技术的快速发展和应用,使得个人基因测序成本大大降低。它为人类基于基因水平的癌症研究创造了先决条件。目前,信息智能化的进一步推进,使得人工智能已经在各个领域发挥着重要作用,尤其是在医疗健康领域,越来越多的... 详细信息

随着高通量基因测序技术的快速发展和应用,使得个人基因测序成本大大降低。它为人类基于基因水平的癌症研究创造了先决条件。目前,信息智能化的进一步推进,使得人工智能已经在各个领域发挥着重要作用,尤其是在医疗健康领域,越来越多的研究者利用深度学习对基因测序数据进行分析。可用于辅助医生诊断癌症以及制定个性化治疗方案。基因表达水平上的癌症研究在很大程度上促进了癌症诊断和治疗技术的发展。本文利用深度学习算法对癌症基因组数据的分类模型进行研究与实现主要研究工作如下:1.本文改进了一种基于重构误差的深度信念网络深度自适应确定方法。让深度神经网络的深度确定不再完全依赖于人工设置,而是根据RBM的重构误差以及最深网络层数在模型训练过程中自适应确定,在一定程度上降低了人工网络层数设定的随机性。使模型在预训练过程能够自适应的确定一个较好的网络深度。2.本文提出了一种结合深度信念网络和LightGBM的癌症基因组数据分类模型。利用深度信念网络对癌症基因数据进行特征提取,代替了高成本的人工特征提取过程,用于LightGBM分类模型。在TCGA的拷贝数变异数据集上进行模型性能分析,实验结果表明,利用深度信念网络五折提取的特征能提升模型性能。3.本文以深度信念网络模型为基础,提出了一种基于多模态数据的乳腺癌相关蛋白质分类模型。该方法通过设计三个深度神经网络,分别提取了DNA甲基化、基因表达以及miRNA表达数据中包含的乳腺癌亚型蛋白质的分类特征,对单模型深度信念网络的输出建立浅层神经网络,进行后端决策融合。在TCGA-BRCA数据集上的实验结果表明,融合多模态数据的深度学习模型在多个性能评估指标上优于单模态模型和传统分类模型。本文利用深度学习算法对癌症基因组数据进行研究,着重于癌症分类以及乳腺癌亚型相关蛋白质状态分类的研究,为癌症诊断和治疗提供参考,辅助医生为患者制定个性化治疗方案,提高癌症患者的治愈率。

关键词：深度学习癌症分类癌症基因组特征提取多模态融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于相关性的癌症特征选择及分类算法研究

基于相关性的癌症特征选择及分类算法研究

作者：彭湘华湖南大学

学位级别：硕士

微阵列技术的发展为生物学研究领域提供了大量的基因表达数据，为基因功能研究提供了一种强有力的工具，使得同时分析成千上万个基因成为可能。癌症的分类以及与癌症相关的关键基因的识别已经成为当前癌症研究中的重要组成部分。由于微... 详细信息

微阵列技术的发展为生物学研究领域提供了大量的基因表达数据，为基因功能研究提供了一种强有力的工具，使得同时分析成千上万个基因成为可能。癌症的分类以及与癌症相关的关键基因的识别已经成为当前癌症研究中的重要组成部分。由于微阵列数据维数高、样本数少的特点，普通的数据挖掘方法并不能取得很好的效果。本文主要针对微阵列数据特征选取方法和分类算法进行了深入的分析与探讨，并提出了改进的特征选择方法和癌症分类算法，以提高分类准确率和数据泛化能力。主要工作概括如下：针对特征基因选择问题，提出了一种基于相关性特征选择的分层抽样基因选择方法（CFS-SS）。由于微阵列数据具有高维度、样本少、多噪声的特点，对基因表达数据进行预处理。首先对微阵列数据进行缺失值补齐，归一化等操作。其次删除各样本基因方差值过小对分类意义不大的基因，降低维度，降低时间复杂度。然后应用相关性特征选择选择出具有局部最大相关性特征集，在其所有非空特征子集上进行分层抽样，在抽样后的特征集上进行分类性能测试，找到分类准确率最高的特征子集。在三个基因表达数据集上进行仿真实验，该方法能有效提升分类准确率。由CFS-SS提取出的特征子集作为具有差异的训练样本对基分类器进行训练，由具有差异的基分类器进行相对多数投票集成，得到一种集成分类方法(Bag-CFS-SS)。在基因表达数据集上进行实验，验证该方法的可行性和可靠性。

关键词：癌症分类相关性特征选择分层抽样集成分类

基于遗传算法和支持向量机的癌症特征基因选择及分类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于遗传算法和支持向量机的癌症特征基因选择及分类

作者：唐铭一长春工业大学

学位级别：硕士

癌症以其高死亡率严重影响我国居民的生命健康,在我国癌症每年导致上百万人死亡。癌症早期治愈率高但由于其没有明显的临床症状导致大量患者因延误治疗时机而死亡,因此早发现、早治疗是防癌治癌的重要准则。目前癌症筛查主要采取影像学... 详细信息

癌症以其高死亡率严重影响我国居民的生命健康,在我国癌症每年导致上百万人死亡。癌症早期治愈率高但由于其没有明显的临床症状导致大量患者因延误治疗时机而死亡,因此早发现、早治疗是防癌治癌的重要准则。目前癌症筛查主要采取影像学手段,医师通过对CT等影像资料观察分析做出诊断,这使得癌症筛查严重依赖医生的临床经验,误诊、漏诊率较高导致大量癌症患者延误治疗时机。随着生命科学的发展,基因芯片技术应运而生,基于基因芯片的癌症早筛技术具有不依赖临床经验的特点,因而吸引了许多科研人员的关注。但目前应用基因芯片数据仍面临着许多困难,由于其实验成本高、实验复杂等原因导致数据具有高维度、小样本、高噪声等特点增加了分析利用其数据的难度。本文针对分析基因芯片数据的难点提出了基于遗传算法改进并以支持向量机作为分类器的癌症特征选择与分类方法,改进点如下:1)本算法提出了一种新的混合评价函数,该评价函数包含个体最大相关评价、个体最小冗余评价、个体种群多样性贡献评价,这些评价的加权和通过种群代数相关的系数与基于分类器准确率的评价相结合,该评价函数平衡了种群多样性和收敛速度,能够防止算法陷入局部最优解过早收敛。2)遗传算法中变异算子通过向种群中随机引入基因改善种群的基因多样性。本文依据遗传算法不同阶段种群特点设计了基于优势基因库和全量基因库的变异算子,该算子以一定概率选择一个基因库完成变异操作,选择概率与种群代数相关,使算法前期可以快速引入优势基因,此改进方法均衡了遗传算法的随机性和收敛速度。3)本文分析种群个体发现在算法的中后期,种群中出现大量冗余个体,冗余个体不利于算法继续搜索最优特征子集导致其过早收敛,基于此问题本算法在遗传算法中添加了种群去重操作,该操作能够去除种群中的重复个体改善种群个体和基因多样性。

关键词：遗传算法支持向量机特征选择基因芯片癌症分类

SC-BPSO:肝癌分类中一种融合过滤器的二进制粒子群算法特征的选择方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

中国生物化学与分子生物学报 2022年第8期38卷 1106-1116页

作者：周楠郑云昆明理工大学信息工程及自动化学院基础化学实验楼410室昆明650500 昆明理工大学灵长类转化医学研究院省部共建非人灵长类生物医学国家重点实验室昆明650500

癌症的早期诊断能够显著提高癌症患者的存活率,在肝细胞癌患者中这种情况更加明显。机器学习是癌症分类中的有效工具。如何在复杂和高维的癌症数据集中,选择出低维度、高分类精度的特征子集是癌症分类的难题。本文提出了一种二阶段的特... 详细信息

癌症的早期诊断能够显著提高癌症患者的存活率,在肝细胞癌患者中这种情况更加明显。机器学习是癌症分类中的有效工具。如何在复杂和高维的癌症数据集中,选择出低维度、高分类精度的特征子集是癌症分类的难题。本文提出了一种二阶段的特征选择方法SC-BPSO:通过组合Spearman相关系数和卡方独立检验作为过滤器的评价函数,设计了一种新型的过滤器方法——SC过滤器,再组合SC过滤器方法和基于二进制粒子群算法(BPSO)的包裹器方法,从而实现两阶段的特征选择。并应用在高维数据的癌症分类问题中,区分正常样本和肝细胞癌样本。首先,对来自美国国家生物信息中心(NCBI)和欧洲生物信息研究所(EBI)的130个肝组织microRNA序列数据(64肝细胞癌,66正常肝组织)进行预处理,使用MiRME算法从原始序列文件中提取microRNA的表达量、编辑水平和编辑后表达量3类特征。然后,调整SC-BPSO算法在肝细胞癌分类场景中的参数,选择出关键特征子集。最后,建立分类模型,预测结果,并与信息增益过滤器、信息增益率过滤器、BPSO包裹器特征选择算法选出的特征子集,使用相同参数的随机森林、支持向量机、决策树、KNN四种分类器分类,对比分类结果。使用SC-BPSO算法选择出的特征子集,分类准确率高达98.4%。研究结果表明,与另外3个特征选择算法相比,SC-BPSO算法能有效地找到尺寸较小和精度更高的特征子集。这对于少量样本高维数据的癌症分类问题可能具有重要意义。

关键词：癌症分类特征选择机器学习肝细胞癌微RNA 二进制粒子群算法

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基因标签区分癌症样本的初步分析

基因组学与应用生物学 2018年第10期37卷 4682-4688页

作者：刘秋芳孔华磊程酩上海交通大学生物医学工程学院上海200240 上海交通大学系统生物医学研究院上海200240

从基因表达水平的角度对癌症样本进行分子分型,其较高的临床结果预测能力已经获得越来越广泛的关注。研究发现,某些基因集合（称为基因标签）的表达水平可以显著区分不同癌症样本之间的亚型差异并与癌症病人的临床结果显著关联。使用主... 详细信息

从基因表达水平的角度对癌症样本进行分子分型,其较高的临床结果预测能力已经获得越来越广泛的关注。研究发现,某些基因集合（称为基因标签）的表达水平可以显著区分不同癌症样本之间的亚型差异并与癌症病人的临床结果显著关联。使用主成分分析法能够帮助我们找出这类表达谱与临床结果密切相关的基因标签。本研究通过主成分分析法从MSig BD和GeneSigDB数据库包含的基因集中找出可以解释不同癌症样本区别的基因标签并进一步评价了这些基因标签对癌症病人生存结果的预测能力。通过对10种癌症分别进行检验,我们找到了数量可观的可以区分癌症样本且相应的临床结果具有显著差异的基因标签。基于基因表达谱、临床数据和主成分分析法,基因标签能够对具有不同临床结果的癌症样本进行亚类的区分。

关键词：基因标签癌症分类生存结果