[发明专利]通过偏差校正和分类预测生成生物标记签名的系统和方法

说明书

本文详述了用于按集成方式校正数据集并对数据集进行分类的系统和方法。训练数据集、训练分类集和测试数据集被接收。对于所述训练数据集，通过将机器学习技术应用到训练数据集和训练分类集来生成第一分类器，并且通过根据第一分类器对测试数据集中的元素进行分类来生成第一测试分类集。对于多次迭代中的每一次，训练数据集被变换，测试数据集被变换，并且通过将机器学习技术应用到经变换的训练数据集来生成第二分类器。根据第二分类器来生成第二测试分类集，并且将第一测试分类集与第二测试分类集相比较。

相关申请的交叉引用

本申请根据35 U.S.C§119要求2012年6月21日递交的、题为“SYSTEMS ANDMETHODS FOR GENERATING BIOMARKER SIGNATURES WITH INTEGRATED BIAS CORRECTIONAND CLASS PREDICTION”的美国临时专利申请No.61/662,792的优先权，该美国临时专利申请被完整结合于此。

技术领域

本发明一般地涉及用于通过集成的偏差校正和分类预测生成生物标记签名的系统和方法。

背景技术

在生物医学领域，识别表明特定生物状态的物质即生物标记 (biomarker)很重要。随着基因组学和蛋白质组学的新技术出现，生物标记对于生物发现、药品研发和健康护理正变得越来越重要。生物标记不仅对于很多疾病的诊断和预后有用，而且对于理解疗法的发展基础有用。生物标记的成功和有效识别可以加速新药品研发过程。通过疗法与诊断和预后的结合，生物标记识别还将增强当前医疗的质量，因而在药物遗传学、药物基因组学和药物蛋白质组学的使用中扮演重要角色。

包括高吞吐量筛选在内的基因组学和蛋白质组学分析提供了关于细胞中表达的蛋白质的数量和形式的丰富信息并提供了针对每个细胞识别特定细胞状态的被表达的蛋白质特性的谱的潜力。在某些情况下，该细胞状态可能是与疾病相关的异常生理反应的特征。结果，识别患病病人的细胞状态并与正常病人的相应细胞状态进行比较可以提供诊断和治疗疾病的机会。

这些高吞吐量筛选技术提供了基因表达信息的大数据集。研究人员已尝试研发用于将这些数据集组织到可再现地诊断不同数量的个体的模式中的方法。一种方法是汇集来自多个源的数据以形成组合的数据集，然后将数据集划分成发现/训练集和测试/验证集。然而，相对于可用数量的样本，转录谱数据和蛋白质表达谱数据二者常常由大量变量来表征。

来自控制或病人群的试样的表达谱之间的观察到的差异通常被若干因素掩盖，包括疾病或控制群体内的未知子表型或生物学差异、由研究方案的差别造成的依位置而定的偏差、试样处理、由仪器条件 (例如，芯片批次等)的差别造成的偏差以及由测量误差造成的变化。一些技术尝试针对数据样本中的偏差进行校正(所述偏差例如可能源于数据集中表示的一类样本多于另一类)。

若干基于计算机的方法已被研发以找出最佳地解释疾病和控制样本之间的差别的一组特征(标记)。某些早期方法包括诸如LIMMA 之类的统计测试、用于识别与乳腺癌有关的生物标记的FDA批准的 mammaprint技术、诸如支撑向量机(SVM)之类的逻辑回归技术和机器学习方法。一般地，从机器学习的角度，生物标记的选择通常是分类任务的特征选择问题。然而，这些早期方案面临若干缺点。由这些技术生成的签名(signature)常常是不能再现的，因为对象的包含与排除可能导致不同的签名。这些早期方案还生成很多假阳性签名并且不鲁棒，因为它们是在具有小样本尺寸和高维度的数据集上操作的。

因此，需要用于识别用于临床诊断和/或预后的生物标记的改进的技术，并且更具体地，需要用于识别能够用来将数据集中的元素分类到两个或更多个分类中的数据标记的改进的技术。

发明内容