基于微阵列数据的癌症特征基因选择方法研究
随着DNA微阵列技术的发展，DNA微阵列技术在基因诊断和辅助疾病方面的应用也越来越普遍。如今，癌症病变高发情况下，引入DNA微阵列技术，帮助人类探索生物分子方面的信息，对提高癌症治愈的成功率具有重要意义。但由DNA微阵列技术衍生的基因表达谱数据，具有高维小样本的特性，对其直接进行数据分析较为困难。因此，对高效特征选择算法的研究引起了广大学者的关注。根据基因表达谱数据的特性，本文提出两种用以提高癌症特征基因分类准确率的特征基因选择算法。 在经典遗传算法的基础上，提出一种结合自适应遗传算法和学习自动机的癌症特征选择与分类方法AGALA。该方法根据个体适应度值的大小调整交叉操作的交叉率和变异操作的突变率，平衡算法的全局搜索能力与局部搜索能力。同时加入学习自动机的奖惩操作，增强算法搜索新个体的能力，避免算法在迭代后期出现“早熟”现象，并加快算法搜索到最优特征基因子集的速度。 在标准粒子群算法的基础上，提出了一种具有自适应反向学习机制的SRPSO算法。SRPSO方法先使用T检验进行数据筛选去除冗余基因，降低算法搜索负担，后将SRPSO作为特征空间的搜索引擎，结合支持向量机，选择出分类性能较强的特征基因。SRPSO算法采用自适应种群迭代次数调整学习因子，以控制粒子搜索最优位置的速度，并采用反向学习机制，让算法搜索新个体，防止算法在迭代后期陷入停滞。 实验表明，与传统的算法相比，本文所提出的两种算法具有较高分类准确率，在癌症基因表达谱上得到的特征基因子集规模更小，有利于提高癌症分类的准确率。
DNA微阵列;特征基因选择;粒子群算法;支持向量机;癌症基因表达谱
长春工业大学
硕士
计算机科学与技术
郑虹
2019
中文
TP18;R730
2019-11-19（万方平台首次上网日期，不代表论文的发表时间）