基于GA_SVM方法的结肠癌基因表达谱数据分析

基于 ＧＡ－ＳＶＭ 方法的结肠癌基因表达谱数据分析
于 彬ａ，张 岩ｂ
（青岛科技大学 ａ．数理学院；ｂ．机电工程学院，山东 青岛 ２６６０６１）
摘 要：对结肠癌的基因表达 谱 数 据 进 行 分 析，提 出 选 取 其 特 征 基 因 的 新 方 法。 首 先 考 虑到基因表达谱数据 高 维 数、小 样 本 的 特 点，采 用 Ｂｈａｔｔａｃｈａｒｙｙａ距 离 对 数 据 进 行 降 维， 运用遗传算法生成特征基因子集，以支持 向量 机 作 为 分 类 器，建 立 了 基 于 ＧＡ－ＳＶＭ 的 结 肠癌两类别分类模型。实验结果表明，仅需提取１０个特征 基因 就可 获得 ９５．６２％ 分 类 准 确率。 关 键 词 ：基 因 表 达 谱 ；肿 瘤 分 类 ；特 征 基 因 ；遗 传 算 法 ；支 持 向 量 机 中 图 分 类 号 ：Ｑ ８１１．４ 文 献 标 志 码 ：Ａ
Ａｌｏｎ等 对 ［２］ 结肠癌的基因表 达 谱 作 了 聚 类 分 析， 使用 Ｔ－检验方法进行相关基因选取，得到 一 些 表 达谱与肿瘤的对应关系。与模式分类方法类似，
肿瘤样本分类常采用无监督和有监督两种分类方 法。无监督的 分 类 方 法 主 要 有：聚 类 分 析［３－４］、自 组织映 射 （ＳＯＭ）［５－６］、非 负 矩 阵 分 解［７－８］、主 成 分 分析［９］、独 立 分 量 分 析 等 ［１０］ ，其 优 点 是 可 能 发 现
Ａｎａｌｙｓｉｓ ｏｆ Ｃｏｌｏｎ Ｃａｎｃｅｒ Ｇｅｎｅ Ｅｘｐｒｅｓｓｉｏｎ Ｐｒｏｆｉｌｅｓ Ｂａｓｅｄ ｏｎ ＧＡ－ＳＶＭ Ｍｅｔｈｏｄ
ＹＵ Ｂｉｎａ，ＺＨＡＮＧ Ｙａｎｂ
（ａ．Ｃｏｌｌｅｇｅ ｏｆ Ｍａｔｈｅｍａｔｉｃｓ ａｎｄ Ｐｈｙｓｉｃｓ；ｂ．Ｃｏｌｌｅｇｅ ｏｆ Ｅｌｅｃｔｒｏｍｅｃｈａｎｉｃｏｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｑｉｎｇｄａｏ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｑｉｎｇｄａｏ ２６６０６１，Ｃｈｉｎａ）
考虑到该数据具有高维数和小样本的特点， 需要先对其进行过滤和降维。测量数千个基因的 表达水平有的差 异 很 大，只 有 少 部 分 基 因 与 样 本 的类别有很强相 关 性，而 大 部 分 基 因 与 样 本 的 类 别 不 相 关 ，对 分 类 没 有 什 么 贡 献 ，这 些 基 因 应 该 从
准差。
距离值越 大 说 明 基 因 对 结 肠 癌 的 关 联 性 越
强。计算 Ｂｈａｔｔａｃｈａｒｙｙａ距 离，并 将 其 降 序 排 列，
数值小的基 因 数 量 多，数 值 大 的 基 因 数 量 少。 为
可靠 起 见，取 降 序 排 列 的 前 ６００ 个 基 因 样 本 用 于
下 一 步 基 因 子 集 选 择 分 析，这 样 就 降 低 了 数 据
本研究对 结 肠 癌 的 基 因 表 达 谱 数 据 进 行 分 析，研究其分 类 特 征 基 因 的 选 取 问 题。 首 先 考 虑 到基因表达谱数 据 维 数 过 高、噪 音 很 大 以 及 样 本 很小等 特 点，利 用 Ｂｈａｔｔａｃｈａｒｙｙａ 距 离 对 ［１７］ 数 据 进 行 降 维 ，运 用 遗 传 算 法 生 成 特 征 子 集 ，以 支 持 向 量机作为 分 类 器，建 立 了 基 于 ＧＡ－ＳＶＭ 的 结 肠 癌两类别分类模型。
Ｂ（ｉ）＝
１ ４
（μ＋ （ｉ）－μ－ （σ２＋ （ｉ）＋σ２－
（ｉ））２ （ｉ））＋
（ ） １２ｌｎ
σ２＋ （ｉ）＋σ２－ （ｉ） ２σ＋ （ｉ）σ－ （ｉ）
（１）
其中μ＋ （ｉ），σ＋ （ｉ）分 别 为 基 因ｉ在 结 肠 癌 样
本（正样本）中的均值和标准差；μ－ （ｉ），σ－ （ｉ）分别
为 基 因ｉ在 正 常 组 织 样 本 （负 样 本 ）中 的 均 值 和 标
等 于 期 望 值 ，则 搜 索 结 束 。 如 果 情 况 并 非 如 此 ，新
的一代将重复他 们 父 母 所 进 行 的 繁 衍 过 程，一 代
一 代 演 化 下 去 ，直 到 满 足 终 止 条 件 。
对于遗传算法 中 的 参 数，本 研 究 选 用 的 是 动
态参数，参数 的 变 化 与 进 化 代 数 相 关。 在 种 群 早
第６期
于 彬等：基于 ＧＡ－ＳＶＭ 方法的结肠癌基因表达谱数据分析
５８９
间变化；Ｐｍ 值的范围在０～０．０６２ ５之间变化。 支持向量 机 （ＳＶＭ）是 Ｖａｐｎｉｋ 等 根 ［２０］ 据 统
计学习理论提出 的 一 种 新 的 机 器 学 习 方 法，其 最
大特点是根据 Ｖａｐｎｉｋ 提 出 的 结 构 风 险 最 小 化 原
期，高 交 叉 率，低 变 异 率；在 种 群 后 期，低 交 叉 率，
高变异率。用这种方法减少种群早熟的可能性。
经过多次试验发现，参数交叉概率 Ｐｃ 和变异概率 Ｐｍ 为
烄Ｐｃ＝１－ＮＮＧ ×ｇ ８
烅 Ｐｍ
烆。
（２）
ＮＧ 值表示总 的 进 化 代 数，数 值 为 １０，Ｎｇ 表 示当前世代数，因 此 Ｐｃ 值 的 范 围 在 ０．８７５～１ 之
由于基因芯片 的 成 本 及 其 它 方 面 的 原 因，所 得到的数据集中样 本 个 数 远 远 小 于 基 因 个 数 （即 样 本 的 维 数 ），这 使 得 用 机 器 学 习 方 法 来 对 肿 瘤 进 行分类变得比较困难。并且在众多的基因当中含 有大量噪声基因，它 们 的 存 在 也 会 降 低 分 类 准 确 率。因此，如何能 够 有 效 地 在 数 以 万 计 的 基 因 中 挑选出少量特征 基 因，从 而 有 效 地 降 低 样 本 维 数 成为建立肿瘤分类预测模型中非常关键的一步。
数据中滤 除。 第ｉ 个 基 因 采 用 Ｂｈａｔｔａｃｈａｒｙｙａ 距
离作为两类别的可分性判据，称 为 Ｂｈａｔｔａｃｈａｒｙｙａ
特征计分 准 则 （ＢＦＳＣ）。 第ｉ 个 基 因 在 结 肠 癌 样
本与 正 常 组 织 样 本 间 的 Ｂｈａｔｔａｃｈａｒｙｙａ 距 离 定 义 为 ［１７－１８］
收 稿 日 期 ：２０１２－０３－１５ 基金项目：国家自然科学基金项目（３０８７１３４１）；山东省教育厅科研基金项目（Ｊ１０ＬＡ５７）；山东省优秀 中 青 年 科 学 家 科 研 奖 励 基 金 项
目（ＢＳ２０１２ＤＸ００９）． 作 者 简 介 ：于 彬 （１９７７— ），男 ，讲 师 ．
５８８
们对环境适应度 施 加 一 定 操 作，从 而 实 现 优 胜 劣
汰的进化过程。带有较高适应度值的那些染色体
更可能产生 后 代。 后 代 是 父 母 的 产 物，他 们 由 来
自 父 母 的 基 因 结 合 而 成 ，这 个 过 程 被 称 为 “杂 交 ”。
如果新的一代包 含 的 解，能 产 生 一 个 充 分 接 近 或
１ 数据与方法
１．１ 数 据 来 源 本研究实验数据 来 自 Ａｌｏｎ 公 布 的 结 肠 癌 基
因表达谱数 据 集 。 ［２］ 与 其 它 基 因 芯 片 数 据 相 比， 该 数 据 是 一 个 较 难 分 析 的 数 据 集 ，包 含 ４０ 个 结 肠 癌 组 织 样 本 和 ２２ 个 正 常 组 织 样 本 ，每 个 样 本 包 含 ２ ０００个 基 因 表 达 数 据。 数 据 可 从 网 址 ｈｔｔｐ：／／ ｗｗｗ．ｍｏｌｂｉｏ．ｐｒｉｎｃｅｔｏｎ．ｅｄｕ／ｃｏｌｏｎｄａｔａ 获 得 。 将 正常样本和肿瘤样 本 按 接 近 ２∶１ 分 配 到 训 练 集 和测试集中。 训 练 集 有 ４０ 个 样 本，其 中 包 括 ２６ 个 结 肠 癌 组 织 样 本 和 １４ 个 正 常 组 织 样 本 ，测 试 集 有２２个样本其中包括１４个结 肠 癌 组 织 样 本 和 ８ 个正常组织样本。 １．２ 处 理 方 法 １．２．１ 数 据 预 处 理
ＳＶＭ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ａｃｃｕｒａｃｙ ｃｏｕｌｄ ｒｅａｃｈ ９５．６２％ ｂｙ ｏｎ－ ｌｙ １０ｉｎｆｏｒｍａｔｉｖｅ ｇｅｎｅｓ． Ｋｅｙ ｗｏｒｄｓ：ｇｅｎｅ ｅｘｐｒｅｓｓｉｏｎ ｐｒｏｆｉｌｅｓ；ｔｕｍｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｉｎｆｏｒｍａｔｉｖｅ ｇｅｎｅｓ；ｇｅｎｅｔｉｃ ａｌ－ ｇｏｒｉｔｈｍ；ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ
在分析肿瘤 基 因 表 达 谱 的 基 础 上，建 立 肿 瘤 分类预测模型对肿瘤进行预测成为近年来生物信 息学研究的热点。目前人们对肿瘤亚型识别与特 征基因选取问题已进行了一定程度上的探索。自 Ｇｏｌｕｂ等 于 ［１］ １９９９ 年 开 创 基 于 基 因 表 达 谱 肿 瘤 分类领域的先河 以 来，大 量 研 究 人 员 已 陆 续 提 出 很多基于基因 表达 谱 的 肿 瘤 分 类 方 法。同 年，
维数。
１．２．２ 遗 传 算 法 和 支 持 向 量 机
遗传算法是由 美 国 密 歇 根 州 大 学 的 Ｈｏｌｌａｎｄ
教授首先提出一种随机自适应的全局搜索算
法 。 ［１９］ 通过随 机 的 方 法 产 生 一 组 字 串 形 成 初 始
种群，遗传操作的 任 务 就 是 对 群 体 的 个 体 按 照 它
青 岛 科 技 大 学 学 报（自然科学版）
第 ３３ 卷
新 的 肿 瘤 亚 型 ，为 生 物 医 学 专 家 提 供 研 究 的 方 向 ， 但其缺点恰好是没有利用已有的样本类别信息； 有监督分 类 方 法 主 要 有：ｋ－近 邻 （ｋ－ＮＮ）［１１－１２］、支 持向量机（ＳＶＭ）［１３－１４］、粗 糙 集 （ＲＳ）［１５］、人 工 神 经 网络（ＡＮＮ）［１６］、多 层 感 知 机 （ＭＬＰ）［６］等 经 典 通 用的分类方法，其 优 点 是 能 够 根 据 已 知 的 样 本 类 别 信 息 进 行 学 习 ，提 取 样 本 分 类 知 识 ，这 些 方 法 都 已经成功地应用于肿瘤分类领域。