专利名称：基于基因表达谱的肿瘤基因识别方法
技术领域：
本发明涉及计算机数据处理和基因技术领域，特别涉及一种基于基因表达谱的肿 瘤基因识别方法。
背景技术：
癌症已经成为威胁人类生命的主要疾病之一，癌症的早期发现与诊断是治疗癌症 的关键。在基因表达水平的肿瘤基因分析，是未来诊断癌症的重要手段，而在基因表达水平 的肿瘤基因判断识别，则是进行肿瘤基因分析的前提和基础，它有助于癌症的早期发现和 准确的判断。以生物细胞的DNA基因片段作为基因样本进行基因表达分析时，通常是通过基因 芯片技术获得基因样本的基因表达谱，对其基因表达谱进行分析研究。但是，由于DNA基 因片段中的基因序列特征非常复杂，其相应的基因表达谱特征数(也称作基因表达谱的维 数)都高达几千或上万。相对于人工视觉分析来说，这种基因表达谱高维数据难以进行直 观分析，只能依靠计算机通过聚类或降维处理后进行分析。聚类分析是无人参与的全自动 计算机方法，不能利用直观分析的优势，对结果解析的专业性要求较高，对数据的判读分析 难度较大。而将基因表达谱进行数据降维后，可以将高维数据投影到低维空间以便于计算 机运算，甚至还可以投影到可视化维度空间O维或3维)以便于人工视觉直观分析，对数 据判读的专业性要求相对较低，特别适合在临床癌症诊断等医学领域中应用。因此，降维技 术则成为基于基因表达谱的肿瘤基因判断识别技术的突破方向。目前，应用比较广泛的降维方法有主成分分析(Principal Component Analysis, 简称PCA)和线性判别分析(Linear Discriminant Analysis，简称LDA)。PCA是在全局最 小重构误差的情况下把高维数据投影到低维子空间，而数据点的协方差矩阵最大的几个特 征值所对应的特征量成为子空间。LDA是通过最小化类内散度矩阵和类间散度矩阵的比值 来寻找最有效的判别方向。然而，当用于对基因表达谱进行分类时，PCA方法和LDA方法都 存在着明显的不足，主要表现在第一，由于样本总体散度同时包括了样本的类内散度和类 间散度，使得以最优重建为目的的PCA方法不适合分类问题；第二，LDA虽然可以有效地提 取各类之间的鉴别信息，但在计算过程中需要保证类内散布矩阵可逆，而基因表达谱生数 据的维数很高，其类内散布矩阵往往是奇异的；第三，PCA方法和LDA方法都是在假设样本 服从多元正态分布的前提下得出来的，有研究表明，基因表达谱并不一定服从正态分布，而 很可能位于一个低维的非线性流形上，在这种情形下，PCA方法和LDA方法将很可能失效。
发明内容
针对现有技术存在的上述不足，本发明的目的在于提供一种基于肿瘤基因表达谱 的肿瘤识别方法，该方法能有效发现基因样本的基因表达谱中的本征流形结构，将局部保 持投影的学习方法与核函数-最近邻分类方法相结合，实现肿瘤基因样本的判断识别。为达到上述目的，本发明采用了如下的技术手段
基于基因表达谱的肿瘤基因识别方法，将基因样本的基因表达谱以计算机可识别 的格式输入计算机，利用计算机进行分类，划分出其中的肿瘤基因；该方法具体包括如下步 骤1)根据先验知识获取与待测基因样本种类相同的M个正常基因样本和M个肿瘤 基因样本，该种类基因样本的基因表达谱特征数为N ；将所述M个正常基因样本和M个肿瘤 基因样本的基因表达谱输入计算机，由每个基因样本的基因表达谱生成一个维数为N的向 量，向量的第η维数据值代表基因样本的第η个基因表达谱特征，η e {1,2,... ,N}；从而， 由所述M个正常基因样本生成正常基因表达矩阵Z正={ζ' ι;ζ' 2，…，ζ' m，…，ζ' M}， 由所述M个肿瘤基因样本生成肿瘤基因表达矩阵
权利要求
1.基于基因表达谱的肿瘤基因识别方法，其特征在于，将基因样本的基因表达谱以计 算机可识别的格式输入计算机，利用计算机进行分类，划分出其中的肿瘤基因；该方法具体 包括如下步骤1)根据先验知识获取与待测基因样本种类相同的M个正常基因样本和M个肿瘤基因样 本，该种类基因样本的基因表达谱特征数为N ；将所述M个正常基因样本和M个肿瘤基因样 本的基因表达谱输入计算机，由每个基因样本的基因表达谱生成一个维数为N的向量，向 量的第η维数据值代表基因样本的第η个基因表达谱特征，η e {1，2，...，N}；从而，由所 述M个正常基因样本生成正常基因表达矩阵Z1= Iz' 1； ζ' 2，…，ζ' m，…，ζ' M}，由 所述M个肿瘤基因样本生成肿瘤基因表达矩阵Zw= {ζ" ν ζ" 2，…，ζ" m,…，ζ" Μ}； 其中，ζ' m表示第m个正常基因样本对应的向量，ζ' m表示第m个肿瘤基因样本对应的向 量，m e {1,2, ...，M}；2)对基因库表达矩阵Z= Z1 U Zw，利用局部保持投影方法进行学习，获取局部保持投 影矩阵 A= Ia1, a2, -,aG},G<N；3)利用局部保持投影矩阵A，对基因库表达矩阵Z进行维数简约，获得基因库低维特征 矩阵Yz = AtZ ；其中，T为矩阵转置符号；4)将待测的I个待测基因样本的基因表达谱输入计算机，由每个待测基因样本的基因 表达谱生成一个维数为N的向量，向量的第η维数据值代表待测基因样本的第η个基因表 达谱特征，η e {1，2，...，N}；从而，由所述I个待测基因样本生成待测基因表达矩阵X = Ix1, x2，-,Xi, -,X1I ；其中，Xi表示由第i个待测基因样本对应的向量，i e {1，2，...， 1}；5)利用局部保持投影矩阵A，对待测基因表达矩阵X进行维数简约，获得待测基因低维 特征矩阵= Al;6)计算待测基因低维特征矩阵中每个向量yx,i与基因库低维特征矩阵Yz中各个向 量yz,P的核函数欧氏距离CKki，yz,p)
2.根据权利要求1所述的基于基因表达谱的肿瘤基因识别方法，其特征在于，所述步 骤2)具体为21)对基因库表达矩阵Z中每一个向量zp，zpe Ζ, ρ e {1,2, ...，2M}，计算％与基 因库表达矩阵Z中其它向量的欧氏距离，其欧氏距离相近邻的k个向量组成的子集记为 knn(zp)；22)按如下公式计算近邻权重矩阵W:
3.根据权利要求1所述的基于基因表达谱的肿瘤基因识别方法，其特征在于，所述步 骤7)具体为71)对待测基因低维特征矩阵\中任一向量yx,i，从基因库低维特征矩阵\中各个向 量yz,p之中取出与向量yx,i的核函数欧氏距离CKki，Υζ,ρ)相近邻的k'(对两分类而言 k'大于或等于3)个，构成子集k' Hn(Yxa)；72)在子集k'rmbu)中，若超过k' /2数量的向量对应于正常基因样本，则判定向 量yx,i对应的待测基因样本为正常基因；否则，判定向量yx,i对应的待测基因样本为肿瘤基 因；73)利用步骤71)和步骤72)，完成对待测的I个待测基因样本的分类，进而划分出待 测基因样本中的肿瘤基因。
4.根据权利要求1 3中任一项所述的基于基因表达谱的肿瘤基因识别方法，其特征 在于，所述M的取值为20 50。
全文摘要
本发明提供一种基于基因表达谱的肿瘤基因识别方法，通过计算机辅助手段，融合局部保持投影和核函数-最近邻分类方法，采用局部保持投影方法对基因样本的基因表达矩阵进行学习，将其投影到低维嵌入空间，可以揭示隐藏在高维基因表达谱数据中的低维流形结构，然后利用核函数-最近邻分类方法对低维特征矩阵进行分类，使低维特征矩阵中没有显现的特征突现出来，进而划分出基因样本中的肿瘤基因，实现了肿瘤基因的识别。本发明方法具有较高的识别率，对于肿瘤基因的临床诊断具有很好的参考价值，可应用于建立肿瘤基因识别系统。
文档编号G06F19/24GK102073799SQ20111003201
公开日2011年5月25日 申请日期2011年1月28日 优先权日2011年1月28日
发明者于攀, 叶俊勇, 黄鸿 申请人:重庆大学