[发明专利]基于深度学习和进化计算的特征基因选择方法

权利要求书

1.一种基于深度学习和进化计算的特征基因选择方法，其特征在于：所述方法包括以下步骤：

1)选择差异表达的基因，建立一级基因池，过程如下：

1.1)计算原始基因池中各个基因的差异表达水平指数，即IIC-FC指数：

式(1)中，c表示原始基因池中的基因个数，和分别表示基因i和基因j的表达水平均值，和分别表示基因i和基因j的表达水平标准差，函数max{·,·}和min{·,·}分别表示取最大值和最小值，ln(·)为对数函数；若IIC-FC指数越大，表明该基因包含的样本分类信息丰度越高，用于样本分类获得高精度的可能性越大；

1.2)根据二八准则，按照步骤1.1)中得到的IIC-FC值从高到低对原始基因池中的所有基因进行排序，然后从中选择前20％的基因作为一级基因池；

2)对一级基因池中的基因进行自动聚类，过程如下：

2.1)基于密度聚类算法计算一级基因池中每个基因的距离值δ和密度值ρ；定义欧拉距离作为基因i和基因j之间的相似度距离，计算公式如下：

式(2)中，N_sam表示样本个数，gE(i,k)表示基因i在样本k中的表达值；

首先计算各个基因的密度值ρ，得到密度矩阵计算公式如下：

式(3)中，ρ_i表示基因gene_i的密度值，一级基因池为相应的指标集为I_P＝{1,2,...,N_pool1}；其中定义表达值累加和最大处的基因gene_max与最小处的gene_min之间的相似度距离的2％作为d_c值，计算公式如下：

d_c＝0.02*d_gene(gene_max,gene_min) (4)

然后计算各个基因的距离值，得到距离矩阵每个基因gene_i的距离值定义为δ_i，首先查找比gene_i密度大的基因集，得到集合P'＝{gene_j}，然后查找P'中与gene_i的距离最近的基因，则得到δ_i＝d_gene(i,j')；

定义函数f_γ是关于变量ρ和δ的二元离散函数，对应于三维空间中的坐标值是(ρ,δ,f_γ)，则得到双变量离散函数为：

式(5)中，f_γ取密度值和距离值的乘积的对数值作为函数值；表示大于零的较小正数；

2.2)根据步骤2.1)中得到的双变量离散函数γ＝f_γ(ρ,δ)，利用最小二乘法进行二元斜面的拟合，得到拟合平面为z_γ＝b₁+b₂ρ+b₃δ，计算各个数据点的残差值为ε_γi＝y_γi(ρ,δ)-γ_i(ρ,δ)，绘制残差直方图ε_γi-h，并根据钟型曲线的正态拟合得到方差值为σ_γ，利用3σ原则自动确定处在置信区间外的η个奇异点作为聚类中心，记为c_γ；

3)构建深度基因表达预测网络DGEPN，计算一级基因池的“基因-基因”敏感性信息GGSI，过程如下：

3.1)区分样本的训练集、验证集和测试集，搭建多层神经网络作为深度基因表达预测网络；首先假定有N_sam个样本，每个样本在原始基因池中有N_gene维基因表达，其中M_in个基因作为神经网络的输入层，即将一级基因池中的所有基因作为输入；M_out个基因作为神经网络的输出层，即将原始基因池中对应一级基因池的补集作为输出；满足M_in＝N_pool1，M_in+M_out＝N_gene，则每个样本可以表示为然后随机挑选N_train个样本组成训练集，N_val个样本组成验证集，N_test个样本作为测试集，其中N_train:N_val:N_test＝4:1:1；

在神经网络的输入层和输出层间具有l_hidden层隐藏层，隐藏层的神经元之间进行全连接；第i层隐藏层的神经元个数NumNeu_i为：

NumNeu_i＝M_in+i*Z{abs(M_in-M_out)/l_hidden+1} (6)

式(6)中，函数abs(·)表示取绝对值，Z{·}表示取整函数；为了减少训练参数从而加快训练，对神经网络中的隐藏层设置dropout比率；为了克服梯度弥散问题，激活函数采用ReLU函数；

3.2)计算基因间的敏感性信息，基于步骤3.1)中搭建的深度基因表达预测网络，定义第i个输入基因到第j个输出基因的敏感性信息为：

式(7)中，表示第j个输出神经元对第i个输入神经元的导数；敏感性信息指数越大，说明第i个基因对第j个基因的非线性相关性越高；

3.3)根据步骤3.2)中得到的基因间敏感性信息，计算神经网络输入层中每个输入基因归一化后的敏感性指数：

3.4)训练神经网络，定义输出值与期望值的平均平方误差作为损失函数，即：

当训练代数达到预设的最大值或者损失值小于预设的阈值，结束训练，并用测试集的平均绝对误差MAE作为神经网络模型的评价指标：

误差越小，说明计算GGSI的网络模型性能越好；

4)建立二级基因池，过程如下：

4.1)计算步骤2)中得到的每个基因簇的最大GGSI值和平均其中K是基因簇的个数；然后依据簇间剔除和簇内剔除策略构建二级基因池；

4.2)首先进行簇间剔除，若第j个簇的GGSI最大值远小于其它簇的GGSI最大值，即则剔除该基因簇中的所有基因；

4.3)然后进行簇内剔除，若第i个簇内的第j个基因的GGSI值小于该簇的GGSI平均值，即则剔除该基因，其中NumK_i表示基因簇i中包含的基因个数；

5)基于二进制布谷鸟搜索算法进行优化搜索最紧凑的基因集合，建立三级基因池，过程如下：

5.1)进行鸟巢的编码初始化，首先将二级基因池中的每个基因根据其GGSI值从高到低进行排序，然后对第i个鸟巢的第j维，即第i个解的第j个基因进行初始化编码：

式(11)中，d表示解的维度，即二级基因池中的基因个数；式(11)表示GGSI排名靠前20％的基因和排名靠后20％的基因分别编码为1和0，剩余基因进行0或者1的随机编码；

5.2)进行糟糕解的替换，为了保证新产生的解都是由优秀的个体组成，基于概率p_a淘汰不适应环境的糟糕解，并将它们替换为新的解决方案，替换公式为：

式(12)中，d表示解的维度；式(12)表示对某个糟糕解，将其GGSI排名靠前10％的基因和排名靠后10％的基因分别编码为1和0，剩余基因的编码不变；

5.3)进行鸟巢位置的更新，更新公式为：

式(13)中，Sig(·)表示sigmoid函数，Avg(·)表示二级基因池中所有基因的GGSI的平均值，其中Levy(λ)～u＝s^-λ,λ∈(1,3]，α＞0表示步长尺度缩放因子；

5.4)布谷鸟搜索优化算法的适应度函数定义为：

fitness(net_i)＝MAE(net_i)+ξ*GeneNumber(net_i) (14)

式(14)中，MAE(net_i)表示第i个解在二级基因池中所选择的基因集合在DGEPN中预测剩余基因表达的平均绝对误差，GeneNumber(net_i)表示第i个解所选的基因个数，ξ∈{10^-2,10^-3,10^-4}是一个尺度规模参数，ξ的取值根据GeneNumber(net_i)的值确定；

5.5)进行优化搜索迭代，当达到预设的迭代次数，或者适应度函数值小于预设的阈值，则停止迭代，将此时的最优解进行解码，得到最优三级基因池。