[发明专利]基于邻域粗糙集的加权KNN肿瘤基因表达谱分类方法

说明书

技术领域

本发明涉及肿瘤基因表达谱分类技术领域，特别是一种基于邻域粗糙集的加权KNN肿瘤基因表达谱分类方法。

背景技术

DNA微阵列技术的到来将对生物学和医学产生一场革命，微阵列实验正在生物学和医学研究中帮助研究人员解决越来越多的问题。随着大规模基因表达谱技术的推广，人们利用DNA芯片可以在一次实验中同时获得组织样本中成千上万个基因的表达数据。如何从基因表达谱数据中选取包含样本分类信息的特征基因，建立分类器，实现肿瘤的分型诊断是当前生物信息学研究的重要领域。当前，对基因表达数据进行分类分析的主要方法有人工神经网络、遗传算法、支持向量机、贝叶斯和K-近邻法等。

粗糙集理论作为一种研究现实中各种获得信息的数学理论 ，主要是以集合的整体直接逼近的方式完成对不完整不确定信息前提下的知识推理过程。近年来，随着数据挖掘领域的兴起，粗糙集理论发展很快，应用更加广泛，已逐步扩大到基因表达谱数据挖掘和肿瘤分类等研究领域。

发明内容

本发明的目的在于提供一种基于邻域粗糙集的加权KNN肿瘤基因表达谱分类方法，该方法有利于发现有差异的基因表达，避免同样重要地依赖于所有属性的相似性度量引起的误导，克服“维数陷阱”问题。

为实现上述目的，本发明的技术方案是：一种基于邻域粗糙集的加权KNN肿瘤基因表达谱分类方法，其特征在于：包括以下步骤：

Step1：采用Relief算法排序所有基因，然后选择前d个基因构成初始信息基因子集G_d；

Step2：采用基于邻域粗糙集模型的前向属性约简算法（FARNeM）对所述初始信息基因子集G_d 中的基因进行约简，进一步得到重要特征基因子集G_o，其基数接近最小；

Step3：将所述重要特征基因子集G_o作为加权KNN分类方法的输入，对肿瘤样本集进行分类训练，训练后得到肿瘤分类模型；

Step4：采用测试集评估得到的肿瘤分类模型。

本发明的有益效果是将邻域粗糙集模型与加权KNN算法相结合，利用邻域粗糙集的向前属性约简来选择基因表达谱所有属性中的重要属性，给这些属性赋予更大的权重，再用加权KNN算法进行分析，从而发现有差异的基因表达，有效地避免同样重要地依赖于所有属性的相似性度量引起的误导，克服“维数陷阱”问题。实验结果表明了上述方法的可行性和有效性。

下面结合附图及具体实施例对本发明作进一步的详细说明。

附图说明

图1是本发明方法的实施流程图。

具体实施方式

本发明的基于邻域粗糙集的加权KNN肿瘤基因表达谱分类方法，如图1所示，包括以下步骤：

Step1：采用Relief算法排序所有基因，然后选择前d个基因构成初始信息基因子集G_d；

Step2：采用基于邻域粗糙集模型的前向属性约简算法（FARNeM）对所述初始信息基因子集G_d 中的基因进行约简，进一步得到重要特征基因子集G_o，其基数接近最小；

Step3：将所述重要特征基因子集G_o作为加权KNN分类方法的输入，对肿瘤样本集进行分类训练，训练后得到肿瘤分类模型；

Step4：采用测试集评估得到的肿瘤分类模型。

在上述步骤2中，采用基于邻域粗糙集模型的前向属性约简算法（FARNeM）选取重要特征基因子集G_o，以在基因表达谱分类算法中给重要特征基因子集Go赋予更大的权重。

下面对本发明涉及的各种算法加以说明。

1、Relief基因选择算法。

Relief算法作为一种属性重要性排序的机器学习算法在特征选取方面得到广泛的应用，其核心思想是以属性区分“相近”样本的能力作为评估属性重要性的标准，并由此给出属性的分类权重。Relief算法首先对给定的一个样本找到与它距离最近的两个邻居：一个邻居来自与它相同类别的群体，另一个来自相异的类别的群体。然后在训练集中搜索某一样本近邻的过程是以两个样本之间的距离为标准进行的。

基于Relief算法来选择与肿瘤相关的信息基因的算法伪代码描述如下：

Relief算法（Strn,F） //F为待分析的属性集合，Strn为训练样本集

Step1: Set weights vector W to zeros

//向量W 中第i个元素对应于F 中的第i个属性的分类权重