基于最大相关最小冗余朴素贝叶斯分类器的肿瘤分类方法研究

摘要

目的：
　　利用基因表达谱数据研究肿瘤的发生发展机理，有助于肿瘤的诊断与个性化治疗。然而，基因芯片检测的基因数量巨大，检测费用也较高加之样本收集的困难，造成了基因表达谱数据高维小样本的特点。此外，基因表达数据还存在高噪声、高冗余及样本分布不均衡等特点，传统分类方法已不再适用，高维数据的分类问题正面临前所未有的挑战。特征选择与分类器相结合是解决这类问题的一种思路，本文以最大相关最小冗余朴素贝叶斯分类器（Nave Bayes classifier based on the Maximum Relevance Minimum Redundancy feature selection method,mRMR-NBC）为例，将其应用于模拟数据、公开的基因表达谱数据以及实际临床肿瘤样本的基因表达谱数据，并与常用分类方法进行对比研究，证明该思路的优越性，以期为实际临床肿瘤样本分类提供理论依据。
　　方法：
　　（1）进行高维数据模拟研究，将mRMR-NBC应用于高维数据分类问题中，并将其与支持向量机、极限学习机与随机森林进行比较，探讨样本量、基因数以及信噪比对分类准确率的影响；
　　（2）应用公开的结肠癌与肺癌基因表达谱数据，分别采用mRMR-NBC、支持向量机、极限学习机与随机森林进行比较研究，验证模拟研究结果；
　　（3）从GEO数据库下载人类非小细胞肺癌基因表达数据集（GSE10245），共获得40例肺腺癌和18例肺鳞癌组织的基因表达谱数据。进行预处理后，采用mRMR-NBC进行分析，选取特征基因；利用迪杰斯特拉算法进行最短路径分析，筛选候选基因；利用DAVID软件进行 GO与 KEGG富集分析。采用文献回顾法分析对分类有贡献的基因在肿瘤发生发展中的作用。
　　结果：
　　（1）在模拟数据中，mRMR-NBC的综合分类准确率达到96.71%，与支持向量机分类准确率相当，依次高于随机森林与极限向量机。上述几种方法的分类准确率与样本量的相关系数，均具有统计学意义（P＜0.05）。其中，mRMR-NBC、支持向量机与极限学习机的分类准确率与样本量为负相关，而随机森林的分类准确率则与样本量呈正相关。随机森林的分类准确率还与基因数呈负相关（P＜0.05）,而暂未发现mRMR-NBC的分类准确率与基因数间的相关性。对mRMR-NBC的分类准确率进行析因设计的方差分析结果显示，仅样本量对分类准确率有影响（P＜0.05）。
　　（2）应用mRMR-NBC分析结肠癌与肺癌基因表达谱数据显示，当纳入基因数分别为15与12时分类准确率最高分别达到95.16%与97.26%，mRMR-NBC仅使用极少的属性参与分类就能得到非常好的分类效果，且随着纳入分析的基因增多分类效果逐渐趋于稳定。支持向量机在结肠癌与肺癌数据集上分类准确率分别达到90.32%与94.52%；极限学习机则分别为82.26%与69.86%；随机森林分别为81.98%与77.62%。
　　（3）运用mRMR-NBC筛选特征基因8个；最短路径分析筛选候选基因21个，其中AURKA、SLC7A2基因分别在最短路径中出现3、2次。富集分析后发现，上述基因主要涉及卵母细胞减数分裂、细胞周期调控、癌症通路等信号通路。
　　结论：
　　mRMR-NBC适用于处理高维小样本数据的分类问题；能在仅有极少属性参与分类时，得到较高的分类准确率，优于随机森林、极限学习机等方法；能较为准确地筛选肿瘤相关基因，这将有助于了解基因在肿瘤发生发展中的作用，推动精准医学与个性化治疗的发展。

目录

声明

前言

1研究背景及方法介绍

1.1微阵列技术简介

1.2基因表达谱数据分类的一般流程

1.3最大相关最小冗余法简介

1.4朴素贝叶斯分类器简介

1.5其他重要机器学习分类方法简介

2基于最大相关最小冗余朴素贝叶斯分类器的模拟研究

2.1数据模拟方法

2.2研究方法

2.3评价指标

2.4研究结果

2.5讨论

3基于最大相关最小冗余朴素贝叶斯分类器的实证研究

3.1数据来源及介绍

3.2数据预处理

3.3研究方法

3.4评价指标

3.5研究结果

3.6讨论

4基于最大相关最小冗余朴素贝叶斯分类器的应用研究

4.1数据来源及介绍

4.2数据预处理

4.3研究方法

4.4研究结果

4.5讨论

全文总结

本研究特色及局限性

参考文献

文献综述:集成学习在基于基因表达谱数据的肿瘤分类问题中的应用

致谢

攻读硕士学位期间发表的学术论文目录