基于稀疏局部敏感法则的微阵列数据分析

《基于稀疏局部敏感法则的微阵列数据分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中山大学硕士学位论文基于稀疏局部敏感法则的微阵列数据分析姓名：王明霞申请学位级别：硕士专业：信息计算科学指导教师：戴道清20100529摘要论文题目专业硕士生指导教师基于稀疏局部敏感法则的微阵列数据分析信息计算科学王明霞戴道清教授随着时代的进步，基因功能研究逐渐超越基因序列研究，成为后基因组时代研究的重点：并且微阵列技术使研究人员可以同时测定成千上万个基凶的表达水平，这为生物标志物的检测以及癌症诊断提供了重要的技术支持。然而基因表达数据的高维数、高噪声的特点对分析方法提出了更高的要求．如何在海量基因表达数据中，发现肿瘤组织的基因表达模式，并成功地将临床表征不明或容易误诊的恶性肿瘤

2、准确、快速地区分开，是一项具有挑战性的研究课题。近年来，多种判别分析和变量选择的方法用于基因表达数据的分析。于是生物标志物的检测一从成千上万个基因当中检测出那些与肿瘤起因、发展紧密相关的关键基因的方法逐渐增加，这使得癌症的诊断更准确且更容易解释。本文围绕运用局部敏感半监督特征选择方法和稀疏惩罚实现变量选择方法，及其在基于基因表达数据进行生物标志物检测以及癌症诊断的应用而展开．本文受到局部敏感半监督特征选择、局部敏感判别分析以及稀疏PCA的启发，将局部敏感和稀疏方法结合起来提出一种新的判别方法一稀疏局部敏感法则。这样，一方面利用局部敏感算法的优势，即在处理小样本问题时，能够提取更多

3、局部的结构信息而不单单是全局的判别信息，最终使得同类样本足够接近，不同类样本尽量分离，以便取得良好的癌症分类效果：另一方面，利用弹性网的解的稀疏性，使得提取的最佳分类特征仪仅是少数原始变最的线性组合，这种方法应用在基于基因表达数据分析中，具有很好的生物解释意义，为寻找致病基因提供重要依据。摘要关键词：稀疏，局部敏感，特征提取，癌症分类，致病基因寻找ⅡTitleMajorNameSupervisor●：Microarraydataanalysisbasedonlocalitysensitivecri-terionw_imsparsity：InformationandComputat

4、ionalSciense：Ming-XiaWang：ProfessorDao-QingDaiABSTRACTWiththeprogressofTheTimes,thecoleofthebiologicalresearchischangingfromgenesequencetogenefunction．ThecDNAmicroarraytechnologymakesitpossibletosimultaneouslymeasuretheexpressionlevelofgenes．Thist3E℃h—nologyspurstheresearchonbiomarkeridentifi

5、cationandcancerclassificationusinggeneexpressiondata．However,howtoeffectiveexploittheusefulinfor-mationfromtheseunprecedentedamountofmicroarraydatabycomputationalmethodsisanopenandchallengingissue．Inrecentyears，variousdiscriminantanalysisandvariableselectionmethodshavebeenusedforanalysisingge

6、neexpressiondata．Somoleandmolebiomarkeridentificationswhichidentitybasegenesbeencriticaltotumorarecoming．Thismakesiteasytodiagnoseandexplain．Ourmethodisbasedonlocalitysensitivesemi-supervisedfeatureselectionandsparsenessandusingthisforbiomarkeridentificationanddiagnosisofcan-cel：Afterlearning

7、thefollowingmethods：Localitysensitivesemi-supervisedfeatureselection,Localitysensitivediscrimin矾tanalysisandSparsePCA，weproposeanovelfeatureselection-Microarraydataanalysisbasedonlocalitysensitivecriterionwithsparsity,whichcombineLocalitysens