[发明专利]基于深度学习和进化计算的特征基因选择方法

摘要

一种基于深度学习和进化计算的特征基因查找方法，包括以下步骤：1)计算差异表达水平指数，根据二八准则建立一级基因池；2)根据每个基因的表达水平，计算其映射后的密度矩阵和距离矩阵，绘制决策图，利用多重线性回归分析拟合二元平面，自动确定聚类中心；3)构建深度基因表达预测网络计算一级基因池的基因‑基因敏感性信息GGSI，4)依据GGSI值剔除冗余基因，建立二级基因池；5)基于GGSI值对布谷鸟搜索算法进行二进制编码，选出最紧凑的基因集，建立三级基因池。本发明提供一种基于分级结构建立的特征基因选择框架，能够较好的提取出关键基因，采用多重线性回归分析结合深度学习算法和优化算法选择最紧凑特征基因集的方法。

主权项

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：diff(g)=Σi=1c-1Σj=i+1c[12|μgi-μgj|σgi+σgj+12ln(σgi2+σgj2σgiσgj)-ln(min{μgi,μgj}max{μgi,μgj})]---(1)]]>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：dij=dist(i,i)=(Σk=1Nsam(gE(i,k)-gE(j,k))2)/Nsam---(2)]]>式(2)中，Nsam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：其中式(3)中，ρi表示基因genei的密度值，一级基因池为相应的指标集为IP＝{1,2,...,Npool1}；其中定义表达值累加和最大处的基因genemax与最小处的genemin之间的相似度距离的2％作为dc值，计算公式如下：dc＝0.02*dgene(genemax,genemin)  (4)然后计算各个基因的距离值，得到距离矩阵每个基因genei的距离值定义为δi，首先查找比genei密度大的基因集，得到集合P'＝{genej}，然后查找P'中与genei的距离最近的基因，则得到δi＝dgene(i,j')；定义函数fγ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,fγ)，则得到双变量离散函数为：式(5)中，fγ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＝fγ(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zγ＝b1+b2ρ+b3δ，计算各个数据点的残差值为εγi＝yγi(ρ,δ)‑γi(ρ,δ)，绘制残差直方图εγi‑h，并根据钟型曲线的正态拟合得到方差值为σγ，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cγ；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Nsam个样本，每个样本在原始基因池中有Ngene维基因表达，其中Min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；Mout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Min＝Npool1，Min+Mout＝Ngene，则每个样本可以表示为然后随机挑选Ntrain个样本组成训练集，Nval个样本组成验证集，Ntest个样本作为测试集，其中Ntrain:Nval:Ntest＝4:1:1；在神经网络的输入层和输出层间具有lhidden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NumNeui为：NumNeui＝Min+i*Z{abs(Min‑Mout)/lhidden+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：Sij=1NsamΣk=1Nsam|∂yjk∂xik|---(7)]]>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：GGSI(xi)=ΣjMoutSij/maxi=1,2,...,Min{ΣjMoutSij}---(8)]]>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：Loss=1NsamΣk=1Nsam[1MoutΣj=1Mout(yjk-y^jk)2]---(9)]]>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：MAE=1NtestΣk=1Ntest(1MoutΣj=1Mout|yjk-y^jk|)---(10)]]>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NumKi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：xij(0)=1,j∈[1,int(0.2d))0,j∈(int(0.8d),d]rand{0,1},otherwise---(11)]]>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pa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：xij(t)=1,j∈[1,int(0.1d))0,j∈(int(0.9d),d]xij(t-1),otherwise---(12)]]>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：xij(t)=1,rand()+Avg(GGSI)>Sig(φ)+GGSI(j)0,rand()+Avg(GGSI)>Sig(φ)+GGSI(j)---(13)]]>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(neti)＝MAE(neti)+ξ*GeneNumber(neti)  (14)式(14)中，MAE(neti)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(neti)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(neti)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。