Cascade of genetic algorithm and decision tree for cancer classification on gene expression data

Abstract: Cancer classification, through gene expression data analysis, has produced remarkable results, and has indicated that gene expression assays could significantly aid in the development of efficient cancer diagnosis and classification platforms. However, cancer classification, based on DNA array data, remains a difficult problem. The main challenge is the overwhelming number of genes relative to the number of training samples, which implies that there are a large number of irrelevant genes to be dealt with. Another challenge is from the presence of noise inherent in the data set. It makes accurate classification of data more difficult when the sample size is small. We apply genetic algorithms (GAs) with an initial solution provided by t statistics, called t‐GA, for selecting a group of relevant genes from cancer microarray data. The decision‐tree‐based cancer classifier is built on the basis of these selected genes. The performance of this approach is evaluated by comparing it to other gene selection methods using publicly available gene expression data sets. Experimental results indicate that t‐GA has the best performance among the different gene selection methods. The Z‐score figure also shows that some genes are consistently preferentially chosen by t‐GA in each data set.     

miRNA检测技术进展

miRNA做为一种非常重要的非编码蛋白的RNA.广泛存在于植物、病毒、哺乳动物当中.因其在细胞增殖、细胞死亡、肿瘤发生和哺乳动物细胞生长中重要的调节功能,其检测技术也受到越来越多的关注,很多关键的检测技术,比如印迹技术,阵列杂交技术,反转录PCR技术等等都在miRNA的检测中发挥了巨大的实用价值.该文基于此对miRNA近几年的检测技术进行了具体的综述.     

基于文本挖掘与功能相似性的疾病基因预测

现有疾病基因预测方法大多利用致病基因的各类注释信息进行预测,但仍有很多疾病没有任何注释信息。针对该问题,提出一种基于文本挖掘与功能相似性的疾病基因预测方法,通过数据挖掘获取疾病的相关基因本体术语,利用功能相似性分析基因与疾病之间的相关程度,并根据该相关程度对所有候选基因进行排序,从而识别出致病基因。测试结果显示,该方法能有效预测没有已知功能注释的致病基因。     

基于弹簧模型的基因表达数据可视化聚类

依据基因表达数据的特点,提出一种基于弹簧模型的基因表达数据可视化聚类方法,将多维空间的基因表达数据映射到二维空间中,较好地保持了原始多维数据间的时空相似性。实验结果表明,该方法能发现基因表达数据集中隐含的类簇结构以及共表达基因模式。     

Gene subset selection in microarray data using entropic filtering for cancer classification

Abstract: In this work an entropic filtering algorithm (EFA) for feature selection is described, as a workable method to generate a relevant subset of genes. This is a fast feature selection method based on finding feature subsets that jointly maximize the normalized multivariate conditional entropy with respect to the classification ability of tumours. The EFA is tested in combination with several machine learning algorithms on five public domain microarray data sets. It is found that this combination offers subsets yielding similar or much better accuracies than using the full set of genes. The solutions obtained are of comparable quality to previous results, but they are obtained in a maximum of half an hour computing time and use a very low number of genes.     

微阵列数据癌症分类问题中的基因选择

微阵列数据广泛而成功地应用于生物医学的癌症分类研究.一个典型的微阵列数据集包含大量(通常成千上万,甚至数十万)的基因、相对少量(往往不足一百)的样本.在这成千上万的基因中,仅仅一少部分基因对癌症分类有贡献.因而,对于癌症分类来说,最重要的一个问题就是识别出对癌症分类最有贡献的基因.这一识别过程称为基因选择.基因选择在统计模式识别、机器学习和数据挖掘领域已得到广泛研究.介绍基因选择问题所涉及到的相关背景知识和基本概念;全面地回顾统计学、机器学习和数据挖掘领域对基因选择问题的解决方法;通过实验展示了几种典型算法在微阵列数据上的性能;指出当前存在的问题和未来的研究方向.     

K-S检验与mRMR相结合的基因选择算法

为了解决基因数据集的基因选择难题,提出一种基于K-S检验与最小冗余最大相关（Minimum Redundancy-Maximum Relevance,mRMR）原则的基因选择算法。该算法先采用K-S检验选择出具有一定区分能力的基因,然后对选择到的基因进行mRMR判断,保留与类别高度相关而其间相关性较小的基因构成最终被选基因子集。以SVM为分类器,以F1_measure、分类准确率和AUC为评价指标对本文算法选择的基因子集进行评估,并将本文算法与K-S检验、mRMR,以及经典的RELIEF和FAST算法进行比较。5个经典基因数据集上的平均实验结果揭示：本文算法的运行时间远低于mRMR算法,且其各项评价指标值优于其他比较算法。因此,本文提出的K-S检验与mRMR结合的基因选择算法能选择到非常有效的基因子集。     

结合基因表达式编程与空间模糊聚类的图像分割

目的 针对模糊C-均值聚类图像分割方法存在的对初始值敏感及抗噪性能差的问题,提出一种结合基因表达式编程与空间模糊聚类的图像分割方法。方法 首先,利用基因表达式编程算法对图像进行初次分割,即将聚类中心编码成染色体,通过适应度评价引导搜索获得优化的聚类中心;然后在隶属度计算中引入空间函数,以初次分割结果作为初始值,使用空间模糊聚类对图像进行二次分割。结果 对加噪的合成图像和Berkeley图像的分割实验显示,本文方法在聚类划分系数（VPC）、聚类划分熵（VPE）和峰值信噪比（PSNR）等评价指标上总体性能优于经典的模糊C-均值聚类和空间模糊C-均值聚类分割算法,其中VPC值平均高出0.062 4和0.061 1,VPE值平均降低0.117 0和0.101 1,而PSNR值平均提升了约13.312 1 dB和3.308 4 dB;在对Berkeley图像库中的6幅图片的分割实验显示,本文方法对图像分割的VPC值均在0.93以上,相比两种对比方法平均提高0.157 6和0.013 3,VPE值保持在0.1附近,均低于对比方法,PSNR值平均提高2.896 3 dB和1.934 4 dB;在多目标分割实验上,随着聚类数目增加,3种方法的分割性能均有下降,但本文方法性能曲线最为平缓,受聚类数目的影响最小。虽然本文方法所需的运行时间略有增加,但求解所需的迭代次数却极大地减少。结论 本文提出的图像分割方法具有很强的抗噪性、更高的分割精度和稳定性,适用于需要更精确结果、对时间要求不高的分割场景。     

一种改进的Affymetrix外显子芯片原始数据分析方法

选择性剪切与许多人类疾病有关,基因以及基因异构体水平的表达分析是揭示选择性剪切变化情况的常用研究方法,Affymetrix外显子芯片为测量基因以及基因异构体表达水平提供了一种重要方法.由于外显子芯片基于杂交技术进行设计,实验数据中存在大量噪声,并且选择性剪切导致一个探针往往对应多个剪切异构体,这些给剪切异构体表达水平的计算带来了挑战.为此在先前提出的基于伽玛分布的概率模型(Gamma model for exon array data,GME)基础上,提出了iGME模型,进行基因以及异构体表达水平的计算.该模型利用已知的基因剪切异构体与探针的对应关系,模拟了条件独立的探针特性.通过采用真实实验数据进行验证,并与传统方法进行比较,结果表明iGME模型获得了较高的计算精度和更快的计算速度.     

真核生物多基因预测结果整合算法

针对独立基因预测算法可靠性较差的缺点,提出了真核生物多基因预测结果整合算法(Algorithm for integration of multiple eukaryotie gene prediction results,AIMEGPR).该算法在综合分析各种预测算法结果的基础上,首先用极大似然法估计各种预测算法的性能参数,然后利用这些性能参数计算基因证据区间上各个基因片段归属于各种基因元件类型的后验概率,最后采用动态规划法在基因证据区间上确定最优的一致基因结构.AIMEGPR既不需要人工定制整合规则,也不需要复杂的训练学习,因此AIMEGPR尤其在基因组新测序物种上进行编码基因注释时具有十分显著的优越性.实验结果表明,利用AIMEGPR算法对多基因预测结果整合可以明显提高一致基因的可靠性.