[发明专利]一种基于局部线性嵌入算法的肿瘤基因表数据特征选择方法

说明书

技术领域

本发明涉及生物信息学肿瘤基因数据处理技术领域，特别涉及一种基于局部线性嵌入算法的肿瘤基因表数据特征选择方法。

背景技术

随着DNA技术的发展，越来越多的肿瘤基因表达数据可以被获得。然而，获得的基因表达数据往往有一个共同的特点“高维、小样本”，因此在肿瘤分类的时候需要进行对这样的高维数据进行降维。特征选择方法就是一个在处理高维数据上很重要的方法，它可以从高维的基因数据里选择出更具有分类信息的基因，从而达到理想的数据降维效果。

特征选择方法大致可以被分为两大类：包装器和过滤器。包装器是通过选择在分类器上有更出色表现的特征；而过滤器是通过定义的准则选择特征。过滤器往往可以更好的利用标签信息进行降维，并大大降低数据计算能力，诸如传统的比较流行的过滤器类型的特征选择方法：Laplacian Score(He et al.,2005)、Fisher Score(Duda et al.,1997)和T-test(Devore et al.,2001)。本发明提出的LLE Score方法就是典型的过滤器类型的特征选择方法。

高维的基因表达数据结构一般是非线性的，但流形学习算法里的局部线性嵌入算法(LLE)在处理高维的非线性数据时更具有出色的表现。本发明便是基于局部线性嵌入算法提出的特征选择方法(LLE Score)，不仅可以利用LLE保存邻域结构在低维不变的优点更好的处理非线性结构基因表达数据，而且还可以充分利用基因表达数据的标签信息。利用LLE Score进行基因表达数据的降维，并通过支持向量机(SVM)进行分类，最后分类的准确率与其他流形的过滤器类型特征选择方法的分类准确率进行比较。

发明内容

为了达到良好的数据降维效果，本发明提出了一种基于局部线性算法的肿瘤基因表达数据特征选择方法，并在构造类内、类外重构权矩阵时定义了一种新的距离方法。本技术LLE Score算法可以将高维的邻域信息保留在低维结构里，并可以很好地利用标签信息，同时计算代价小等特点。可以根据特征选择后的降维效果，对基因数据进行有效的分类。

为实现上述目的，本发明所采用的技术方案如下，

S1本方法从肿瘤数据库里获取到一组具有i类n组样本的肿瘤基因表达数据集，{x_i}ⁿ，i∈{1,…,c}，让n_i代表相同标签i下的肿瘤样本点，x_i为肿瘤样本点的数据。

S2根据以上肿瘤基因表达数据的类别信息计算邻域。

利用以上的获取到的肿瘤基因表达数据集的类别信息，分别计算相同标签下和不同标签下样本点的邻域为了达到求取到样本点类内与类外的邻域的效果，定义一种新的距离表达方式，如下：

I相同标签样本之间的距离。保存相同标签样本点之间的欧式距离不变，定义不同标签之间的距离为无穷。

ds=||xni-xnj|,i=j∞,i≠j]]>

II不同标签样本之间的距离。保存不同标签下样本点之间的欧式距离不变，定义相同标签的样本点之间的距离为无穷。