[发明专利]基于改进GA-SVM的肿瘤特征基因提取方法

说明书

基于改进GA‑SVM的肿瘤特征基因提取方法，利用肿瘤基因表达谱数据，首先进行支持向量机进行样本分类，分为训练集、验证集以及测试集3个部分，再将测试集、验证集输入改进的GA‑SVM进行数据降维处理，得到基因特征子集；最后将所得基因特征子集输入支持向量机进行分类鉴定。结果表明本发明对肿瘤表达谱数据有较优的分类效果，并且具有很好的稳定性。本发明提出一种分类效果好、分类稳定性高的基于改进GA‑SVM的肿瘤特征基因提取方法。

技术领域

本发明涉及一种基于改进GA-SVM的肿瘤特征基因提取方法，属于机器学习技术领域。

背景技术

通过微阵列芯片实验人们可以得到基因表达谱数据，通过对这些数据的分析，人们可以挖掘出具有生物学意义的信息和知识。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。鉴于肿瘤亚型识别与分类特征基因选取的重要性，目前已经出现了针对该问题的大量研究文献。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、支持向量机和贝叶斯等。

近年来，GA-SVM被较多用来进行基因分类。Paylakhi等人使用Fisher准则与GA-SVM结合的算法对阿兹海默基因数据集进行了特征提取，最终获得了100％的分类正确率；Scheubert等人使用信息增益，随机森林和GA-SVM三种方法建立可以准确识别多能干细胞的分类器，结果表明GA-SVM能建立最优的分类器。但是上述文献中，都只进行了内部验证，未进行外部测试，故所得结果缺少说服性。

因此，现有的GA-SVM方法在特征基因提取方面存在着缺陷，需要改进。

发明内容

为了克服现有的GA-SVM方法在特征基因提取方面存在的不足，本发明提出一种基于改进GA-SVM的肿瘤特征基因提取算法。

本发明解决其技术问题所采用的技术方案是：

一种基于改进GA-SVM的肿瘤特征基因提取方法，包括以下步骤：

步骤S1、将基因表达谱数据集进行支持向量机SVM进行样本选择，将样本分为：训练集、验证集和测试集；

步骤S2、将上述得到的测试集、验证集输入改进的GA-SVM进行数据降维处理，得到基因特征子集；

步骤S3、将上述得到的训练集、验证集基因特征子集以及对应的测试集基因特征子集进行支持向量机SVM进行分类分析。

进一步，步骤S1中采用支持向量机SVM进行样本选择，具体过程如下：

步骤S11、随机生成一个等概率0、1编码的标准化样本选择矩阵，行向量用于选择样本，1代表选中样本，0代表未选中，列向量维数代表进行SVM训练的次数；

步骤S12、在每次训练结束后，统计每个样本成为支持向量机的次数。

进一步，步骤S2中采用改进的GA-SVM，通过K-MEANS与SVM结合得到GA的适应度函数，即根据SVM所得分类误差与K-MEANS所得基因子集的类内类间的间距的大小评价基因子集的优劣，具体改进如下：

步骤S21、计算分类误差：由于实验数据样本太少，为提高可靠性，对训练集和测试集分别估计分类错误率；在训练集上，采用交叉验证法，每次保留一个子集作为测试用，其余样本用于SVM训练，得到分类错误个数E₁；接着把验证集作为测试用，训练集用于SVM训练，得到分类错误个数E₂；

步骤S22、计算类内、类间间距：根据K-MEANS来计算类内类间间距，计算过程如下：

步骤S221、计算聚类中心：