（模式识别与智能系统专业论文）支持向量机在基因表达数据中的研究.pdf

摘要摘要生物信息学近年来获得突破性进展，随着基因芯片技术的快速发展，基因表达数据的获得已变得越来越快捷和可靠，这些数据提供了揭开生命奥秘的基础。它们具有维数高，样本少的特点，远远超出传统分析方法的能力和速度所能处理的范畴，基因表达数据的分析成为生物研究的瓶颈，其处理、挖掘、分析和理解日益迫切。支持向量机( s u p p o r tv e c t o rm a c h i n e ，s v m ) 是一类基于统计学习理论的新型机器学习方法。它采用了结构风险最小化原则，能较好的解决小样本学习的问题，尤其是针对维数高、样本小、非线性的微阵列基因表达数据，s v m 表现出了很好的性能。本文主要研究基于支持向量机的基因表达数据分类，包括二分类和多分类。首先介绍了生物信息学以及基因表达数据分析的研究现状，接着详细阐述了支持向量机分类方法及相关理论。另外，针对基因表达数据“样本数目少，特征维数高劳的实际情况，本文先对数据集采用信噪比方法进行特征选择，得到一个基因子集；再对经过特征选择后得到的基因子集采用核主成份分析( k p c a )等特征提取方法进行降维，这样在确保不丢失真实信息的情况下，尽可能的提高预测的准确率；接着本文提出了两种构造分类器的方法。最后，本文针对几个常用的基因表达数据集进行对比实验，实验结果表明，本文采用的分类方法较传统的支持向量机分类方法相比，预测准确率有所提高。关键词：基因表达；特征选择与提取；支持向量机a b s t r a c tb i o i n f o r m a t i c sh a sb e e ng o t t e ng r e a tp r o g r e s si nr e c e n ty e a r s ，w i t ht h er a p i dd e v e l o p m e n to fg e n ec h i p ，i ti sb e c o m em o r ee f f i c i e n ta n dr e l i a b l ef o rg e t t i n gg e n ee x p r e s s i o nd a t a , a n dt h e s ed a t ap r o v i d eaf o u n d a t i o no fu n c o v e f i n gt h es e c r e to fl i f e t h e yh a v et h ec h a r a c t e r i s t i c so fh i 。g hd i m e n s i o n ，l e s ss a m p l e ，a n df a rb e y o n dt h ec a p a c i t ya n ds p e e do ft r a d i t i o n a la n a l y t i c a lm e t h o d ，s oa n a l y t i c a lo ng e n ee x p r e s s i o nd a t ah a sb e c o m et h eb o t t l e n e c ko fb i o l o g i c a lr e s e a r c h ，a n di ti si n c r e a s i n g l yu r g e n tf o rp r o c e s s i n g ，m i n i n g , a n a l y s i sa n du n d e r s t a n d i n g s v m ( s u p p o r tv e c t o rm a c h i n e ) i sat y p eo fn e wm a c h i n el e a r n i n gm e t h o db a s e do ns t a t i s t i c a ll e a r n i n gt h e o r y i tu s e st h ep r i n c i p l eo fm i n i m i z i n gs t r u c t u r a lr i s k ，a n dp r e f e r a b l et ob eu s e dt or e s o l v es m a l ls a m p l ep r o b l e m , e s p e c i a l l yf o rg e n ee x p r e s s i o nd a t aw i t hh i g hd i m e n s i o n , s m a l ls a m p l ea n dn o b l i n e a r , s v md e m o n s t r a t e dag o o dp e r f o r m a n c e t h i sp a p e rm a i n l ys t u d yc l a s s i f i c a t i o no fg e n ee x p r e s s i o nd a t ab a s e do ns v m 。i n c l u d i n gb i n a r yc l a s s i f i c a t i o na n dm u l t i - c l a s s i f i c a t i o n t h i sp a p e rf i r s ti n t r o d u c e sb i o i n f o r m a t i c sa n dt h ea n a l y t i c a lo fr e s e a r c hs t a t u sq u oo ng e n ee x p r e s s i o nd a t a , a n dt h e ne x p a t i a t ec l a s s i f i c a t i o no fs v ma n dc o r r e l a t i v et h e o r yi nd e t a i l f u r t h e r m o r e ，a i mt ot h ea c t u a ls i t u a t i o n ( t h es m a l ln u m b e ro fs a m p l e s ，h i g h d i m e n s i o n s “) o fg e n ee x p r e s s i o nd a t a , t h i sp a p e rd of e a t u r es e l e c t i o no nt h ed a t a s e tu s i n gs i g n a l - t o - n o i s ea n dr e c u r s i v ee l i m i n a t i o nm e t h o d , a n dg e t t i n gas u b s e to fg e n e s ；a n dt h e nu s i n gk e r n e lp r i n c i p a lc o m p o n e n ta n a l y s i sa n do t h e rf e a t u r es e l e c t i o nm e t h o d0 1 1t h es u b s e tf o rr e d u c i n gd i m e n s i o n ，s oe n s u r i n gi nt h es i t u a t i o no fn ol o s so fa c t u a li n f o r m a t i o n ，i m p r o v i n gt h ea c c u r a c yo fp r e d i c a t i o na sp o s s i b l e ；t h i sp a p e rp u t sf o r w a r dt w oc l a s s i f i c a t i o nm e t h o da sf o l l o w s h n a l l y , t h i sp a p e rd oc o n t r a s f i v ee x p e r i m e n to ns e v e r a lc o m m o n l yu s e dg e n ee x p r e s s i o nd a t a , a n dt h er e s u l ts h o w st h a tt h ea c c u r a c yo fp r e d i c t i o ng o t t e ni m p r o v e dc o m p a r e st ot r a d i t i o n a ls v mc l a s s i f i c a t i o nm e t h o d k e yw o r d s ：g e n ee x p r e s s i o n ；f e a t u r es e l e c t i o na n de x t r a c t i o n ；s v m厦门大学学位论文原创性声明兹呈交的学位论文，是本人在导师指导下独立完成的研究成果。本人在论文写作中参考的其他个人或集体的研究成果，均在文中以明确方式标明。本人依法享有和承担由此论文产生的权利和责任。声明人( 签名) ：涨林礼扣7 年7 月岁日厦门大学学位论文著作权使用声明本人完全了解厦门大学有关保留、使用学位论文的规定。厦门大学有权保留并向国家主管部门或其指定机构送交论文的纸质版和电子版，有权将学位论文用于非赢利目的的少量复制并允许论文进入学校图书馆被查阅，有权将学位论文的内容编入有关数据库进行检索，有权将学位论文的标题和摘要汇编出版。保密的学位论文在解密后适用本规定。本学位论文属于1 、保密() ，在。年解密后适用本授权书。2 、不保密( )( 请在以上相应括号内打“4 )日期：纱7 年7 月弓日日期：协7 年) 月岁日第一章绪论第一章绪论2 l 世纪是生命科学和信息科学迅速发展的时代，随着人类基因组计划的实施，有关核苷酸序列、蛋白质序列和结构数据呈指数增长，这些数据中包含大量有关生命本质的信息。有关人类生长、发育、衰老、遗传的秘密也将被揭开，与此同时，基因诊断、基因治疗和药物基因组学也应运而生，将成为现代医学诊治疾病的主要途径之一对基因微阵列表达数据进行分类研究是生物信息学研究中的重要内容，受到广泛的关注 3 6 , 3 7 1 。1 1 问题的提出及研究意义人类基因组计划【3 8 ( h u m a ng e n o m ep r o j e c t , h g p ) 是人类为了认识自己而进行的一项伟大而影响深远的研究计划。后基因组计划、蛋白组计划、疾病基因组计划等概念就是为实现这一目标而提出的。基因的功能并不是独立的，一个基因表达的上调或者下调往往会影响上游和下游几个基因表达状态的改变，从而进一步引起和这几个基因相关的更多基因的表达模式的改变。基因之间的这种复杂的相互作用组成了一张交错复杂的立体的关系网。这就需要我们站在更高的层次全面的理解这种相互关系，全面了解不同个体基因变异、不同组织、不同时间、不同生命状态等的基因表达差异信息，并找出其中规律。生物信息学将在其中扮演至关重要的角色。比如研究基因生物学功能的最好方式之一是监测基因在不同组织、不同发育阶段、不同健康状况下在机体中活性的变化。这是一项非常麻烦的工作，但基因芯片技术可以允许研究人员同时测定成千上万基因的作用方式，几周内获得的信息用其它方法需要几年才能得到。具有高效便捷的重要意义。基因芯片技术将为人类认识生命的起源、遗传、发育与进化、为人类疾病的诊断、治疗和防治开辟全新的途径，为生物大分子的全新设计和药物开发中先导化合物的快速筛选以及药物基因组学研究提供技术支撑平台。1 9 9 9 年3 月国家科学技术部起草的医药生物技术“十五一及2 0 1 5 年规划中规划所列十五个关键技术项目中，就有八个项目( 基因组学技术、重大疾病相关基因的分离支持向量机在基因表达数据中的研究和功能研究、基因药物工程、基因治疗技术、生物信息学技术、组合生物合成技术、新型诊断技术、蛋白质组学和生物芯片技术) 要使用基因芯片。总之，基因芯片技术在医学、生命科学、药业、农业、环境科学领域中均具有重大的应用前景。1 2 选题背景及研究现状1 2 1 基因微阵列表达数据的研究现状生物信息学作为一门新兴学科，发展时间不长，因此在该领域我国与发达国家之间的差距并不很大。目前我国在生物信息学研究、d n a 测序能力方面已处于世界前列，但与国际上相比，对基因组数据的分析处理和利用能力，包括计算能力则存在较大差距。上世纪9 0 年代中期以来，在细胞和分子生物学领域出现了影响深远的重大科技进展一基因微阵列技术。d n a 微阵列( d n am i c r o a r r a y ) ，也叫基因芯片，是近几年发展起来的一种能快速、高效检测d n a 片段序列、基因型及其多态性或基因表达水平的新技术。它将几十个到上百万个不等的称之为探针的核苷酸序列固定在微小的( 约l c m ) 玻璃或硅片等固体基片或膜上，该固定有探针的基片就称之为d n a 微阵列。它利用核苷酸分子在形成双链是遵循的碱基互补原则，可以检测出样本中与探针阵列中互补的核苷酸片段，从而得到样本中关于基因结构和表达的信息。d n a 微阵列技术可在一次实验中同时测定成千上万个基因的表达数据，这些数据有能帮助我们研究生物的本质，所以正日益受到研究人员的关注。高通量基因组测序可以揭示各种生物体组成染色体基因组的核酸序列，在基因组范围测定基因表达的能力加速了对生命活动的认识，这些进展也导致了生物学数据的积累呈指数增长，随着人类基因组和其它测序计划的相继完成，研究重点逐渐由数据的积累转向数据的处理。如何用数学和计算方法从日益丰富的微阵列数据中发现生物学的内在规律，这已成为生物信息学领域研究的一个重要内容。目前，基因表达数据的研究主要集中在理论研究和应用研究两个方面。理论研究。根据基因组基因表达谱可以进一步分析共表达基因是否存在共同的顺序调控元件，发现新的调控元件。此外，可以研究基因调控规律，构建调控2第一章绪论网络。应用研究。包括疾病诊断和药物开发，根据不同疾病状态下的差异表达谱的研究可以确定疾病的类型和进展；研究药物作用后基因表达谱的改变可以确定药物的毒性、预后和疗效，从而指导药物开发和临床合理用药。另外，在基因选择方面，也有许多研究人员在这方面展开工作。如，文献 3 9 】采用f i s h e r 线性判别函数与启发式逐步向前搜索结合的方法，在两类中进行基因选择；文献 4 0 1 把n m l 模型做离散回归用到基因选择上；文献【4 1 】将无监督的属性均值聚类网络加入学习样本的类别信息，形成堆近邻分类法，进行基因选择；文献【韧在多类情况下，用p c a 做基因选择，s v m 做分类验证，可未充分考虑所选基因子集的分类推广能力；文献【4 3 】是关于两类的基因选择，给每类设计一个能代表该类的理想基因，使得这两个基因有最大的负相关性，再用统计相关分析对每个基因与该理想基因的相关性进行计算，选择基因；文献 4 4 1 利用s v m进行基因选择。然而，这些方法基本上都是基于两类情况下进行的样本分类和基因选择，对于多病类情况下进行处理的方法还很少。但现实世界中，一般都是多病类的复杂情况，所以，研究多病类( 如相同组织或相同细胞的不同肿瘤类型) 情况下的分类，就具有重要的现实意义。本文同时针对两类和多病类的情况，展开分类和基因选择方面的研究工作。1 2 2 支持向量机的研究现状支持向量机蚴飙1 4 4 5 ( s u p p o r tv o c m rm a c h i n es v m ) 是由v a p n i k 等人提出的一类新型机器学习方法。s v m 是以统计理论为基础，基于结构风险最小化原则的两类问题模式机器学习算法，该算法通过调整核函数可实现线性和非线性分类，对于线性可分问题，该算法可以获得m a r g i n 最大的决策边界，从而所学习出的分类器对己有的学习样本具有最好的推广能力：对于非线性可分问题，s v m 把输入样本x 映射到高维特征空间( 无穷维或有限维) 冒中，并在日中使用线性分类器来完成分类，即将x 做变换西：尺( d 一日。这样在进行模式识别时，s v m 保证能够找到误差最小的全局极值，而不会陷入局部最小。高维空间中的数据优化会遇到维数灾难，可以通过使用s v m 的内积核的方式以及在3支持向量机在基因表达数据中的研究输入空间求解以公式表述的约束极值问题的对偶规划的方法避免。由于其有效地避免传统分类方法中存在的过学习、维数灾难、产生局部极小点等问题，而且在小样本条件下仍然具有良好的推广能力，因而成为机器学习研究新的热点隗l 伽由于s v m 具有坚实的理论基础和它在很多领域表现出的良好的推广性能，目前国际上正在广泛开展对支持向量机应用领域的研究，陆续提出了许多s v m方法的研究，包括算法本身的改进和算法的实际应用领域。在算法方面，s v m在模式识别、回归估计和概率密度估计等机器学习方面获得了非常好的结果；在实际应用领域，s v m 己经应用于文本识别、人脸检测、三维图象识别、手写体字符识别、非线性回归建模等实际问题q a n 1 2 1 s v m 研究热点主要有以下几个方面：1 改进s v m 算法。主要有训练算法的改进；核函数的构造、改进以及相应参数的调整；冗余数据的处理等方面。2 支持向量回归( s u p p o r tv e c t o rr e g r e s s i o n ，s v r ) 。支持向量机的方法也可以应用到回归问题，具有较好的效果。3 支持向量多分类问题。由于支持向量机是针对二分类问题提出的，因此，如何将其推广到多分类问题上，是当前研究的一个热点。目前，主要有“一对多一、。一对一一、s v m 决策树、有向无环图s v m 、多类直接s v m 等。4 应用研究领域。虽然s v m 方法在理论上具有优势，但与其理论研究相比，应用研究相对比较落后。近些年来，s v m 应用领域研究逐渐拓展开来。在模式识别领域，包括手写体数字识别、人脸检测、人脸识别、语音识别、目标识别、文本分类等方面，取得了一定的成果。在数据挖掘领域，支持向量机也取得了很好的应用成果。比较成功的例子有：贝尔实验室用s v m 对美国邮政手写数字库进行的识别，m i t 用s v m 对人脸检测进行的实验。1 2 3 支持向量机在基因表达数据中的研究现状由于支持向量机在解决小样本、非线性、高维模式问题中具有突出的优势，所以支持向量机在基因表达数据中的应用得到了广泛的关注。表1 - 1 是国内外目前研究比较频繁的几种d n a 微阵列数据集，这些数据集均具有样本小、维4第一章绪论数高的特点。表1 1 ：几种d n a 微阵列数据集数据集类别样本数基因数白血病数据集急性淋巴白血病( 舭) ，急性髓性白7 27 1 2 9血病( a m l )卵巢癌数据集正常组织，癌组织3 l9 7 8 0 2结肠癌数据集正常组织，癌组织6 26 5 0 0儿童肿瘤数据集成神经细胞瘤侧( n b ) 、横纹肌肉癌6 36 5 6 7( s r b c t s )( r m s ) 、非霍奇金淋巴瘤( n h l ) 、尤文氏瘤( e w s )酵母数据集t c a ，r e s p ，r i b o ，p l o t ，h i s t ，7 92 4 6 7( m y g d )m h乳腺癌数据正常样本、肿瘤样本2 75 7 7 6支持向量机在基因表达数据分析中的应用主要体现在以下几个方面：1 特征基因选择。在基因表达数据的分析中，进行特征选择主要有两个目的：首先是为了构造分类器的需要，利用微阵列基因表达数据集构造分类器时，由于高维数据的存在增加了问题的复杂性，可能导致在高维空间构造的分类函数比在低维空间中构造的函数复杂的多，而分类准确性并不一定能提高，而且微阵列中存在许多具有相似功能的基因，与样本的分类是不相关的；此外数据集中含有噪声数据，它的存在也影响着分类器的分类性能；最后，是为了寻找特定的类别预报基因。2 用于分类问题。支持向量机在基因表达数据中的一个重要应用就是用于两分类问题，支持向量机在两分类问题中的应用中，取得了较高的分类准确性。支持向量机在d n a 微阵列的另一个重要应用就是用于多分类问题，此外还有非标准情况下支持向量机的应用。支持向量机在基因表达数据中的应用中，还涉及到对支持向量机性能的评价，和对支持向量机预测结果的评价。5支持向量机在基因表达数据中的研究1 3 本文主要工作和创新点本文主要研究基于支持向量机的基因微阵列数据的分类问题，并从特征基因选择和支持向量机分类算法两个方面进行了研究改进。首先，参考国内外基因表达数据特征选择算法的研究现状，从基因表达数据入手，分析基因表达数据的特点以及产生的方法，在此基础上对已有特征选择算法提出改进意见，加入了特征提取方法，来减少数据冗余，降低数据维数，为分类提供优化的数据。然后，介绍支持向量机理论基础一统计学习理论，并阐述支持向量机理论和几种常见的基于支持向量机分类算法。最后，将特征选择和提取算法与支持向量机分类算法结合应用在基因表达数据上，得出实验结果，并与国外研究情况进行对比分析本文章节安排如下：第一章绪论提出本文要解决的问题和研究意义及现状，以及本文的主要工作第二章基因表达数据。介绍了生物信息学的研究内容和基因芯片技术以及由此产生的基因表达数据的分析与处理方法。第三章基因表达数据中的特征选择与提取方法。鉴于基因表达数据的特点，本文在该章介绍了在基因表达数据上利用特征选择与提取来降维。第四章分类问题和支持向量机理论该章是本文的主要理论基础，首先简略介绍了分类问题，接着阐述了统计学习理论，最后详述了支持向量机理论和分类算法第五章基因表达数据分类实验。这是本文的实验部分，本文针对二分类问题和多分类问题，分别选择了常用的数据集，用本文提出的分类方法进行了实验，结果表明，本文提出的方法具有不错的效果。第六章总结与展望。对本文的工作做了归纳和提出了下一步要继续研究的工作。总结全文，本文的主要研究内容有：1 针对小样本、高维的基因表达数据的分类问题进行研究。2 分别针对基因分类问题中的二分类和多分类进行了研究。6第一章绪论3 在基因阵列数据特征选择方面，结合特征选择与特征提取方法寻找最优特征子集，提高了准确率。并在在处理多分类问题时，本文提出了一个推广的信噪比方法。4 在分类器的构造问题中，本文提出了两种方法，分别为构造组合分类器和组合核函数的分类器。7支持向量机在基因表达数据中的研究2 1 生物信息学概述第二章基因表达数据2 , 1 i 飞速增长的生物信息学2 l 世纪是生命科学和信息科学迅速发展的时代。随着人类基因组计划的实施，有关核酸序列、蛋白质序列和结构数据呈指数增长，这些数据中包含大量有关生命本质的信息，面对如此巨大而复杂的数据，生物信息学应运而生并迅速蓬勃发展。它是由生物学、应用数学和计算机科学相互交叉融合所形成的一门新兴学科，是当今生命科学和自然科学的重大前沿领域之一，同时也将是2 l世纪自然科学的核心领域之一生物信息学是一个融合了多个学科的领域，包含了分子生物学( 如生物化学、遗传学、结构生物学等) 、计算机科学( 计算理论、人工智能、机器学习、动态程序设计等) 、物理化学( 热力学、分子建模等) 和数学( 算法、建模、概率论、统计学等) ，以计算机为工具，通过对生物数据进行获取、存储、加工、检索与分析，进而理解和揭示数据所蕴含的生物学意义。应用信息科学的理论、方法和技术，管理、分析和利用生物分子数据，研究人员能够快速地使用相关信息，并能得到深层次的生物学知识，加深对生物世界的认识。在生物学、医学研究和应用中，利用生物数据及其分析结果，可以大大提高研究和开发效率，例如根据基因功能分析结果来检测疾病相关基因，根据蛋白质分析结果进行新药设计。生物信息包括多种数据类型，如分子序列( 核酸和蛋白质) 数据、蛋白质二级结构和三维结构数据、蛋白质疏水性数据以及基因芯片数据等等。由实验获得的大量分子序列数据、三维结构数据以及基因芯片数据都保存在数据库中，这些数据库就是初级数据库。那些由原始数据分析而来的诸如一级结构、疏水位点和功能域的数据，则组成了二级数据库。人类基因组计划的完成以及其他许多模式生物基因组测序工作的结束使得分子序列数据得到了飞速增长。同时，结晶技术以及结构测定技术的发展，由实验获得的核酸和蛋白质的结构数据也不断增长。这些生物信息的增长是惊人s第二章基因表达数据的。近年来，核酸库的数据每1 0 个月左右便要翻一番。同时，由这些原始数据分析加下而来的蛋白质结构等数据信息也被世界各地的分子生物学、生物信息学等学科领域专家输入到二级数据库中。这些生物分子数据具有丰富的内涵，其背后隐藏着人类目前尚不知道的生物学知识。为了分析，理解，提取这些海量的与复杂的生物学数据中所隐含的有生物学意义的目标，需要综合运用分子生物学、数学、物理学、计算机科学、电子学、自动化等领域的知识、理论、方法与技术。在这种情形下，一门崭新的学科一生物信息学应运而生。2 1 2 生物信息学的研究内容生物信息学( b i o i n f o r m a t i c s ) 广义的概念是指研究生物体系和生物过程中信息的内涵和信息的传递，狭义的概念是指生物分子信息的组织和分析，包括对生物分子信息的获取、存储、分配、处理、分析和解释。它是8 0 年代末伴随着基因组研究而产生的，它的研究内容紧随基因组的研究进展而发展。9 0 年代初期存在大量新测定的d n a 序列，而关于基因的信息很少。因此生物信息学的研究重点在于分析序列以寻找新基因以及数据库搜索；而随着多种生物物种全基因组完整序列的测定，序列分析的重点从基因预测转为生物体间的序列比较和全基因组比较；近年来，随着微阵列技术的出现和快速发展，使得人规模检测基因表达成为一种方便快捷并易行的常规实验技术，这就产生了大量的基因表达数据，相应的，与微阵列相关的分析也成为生物信息学的研究重点之一。目前，生物信息学的主要研究内容大致分为以下几个方面：，1 生物信息数据库的建立建立数据库是生物信息学的重要内容，当前己经出现了各种公共数据库，如核酸序列数据库、蛋白质序列数据库等。数据库内容的爆炸性增长是生物信息学数据库的重要特征，除了在数量上的增长，数据库的复杂程度也在不断增加。我国在基因组信息的收集与提供方面做了一定的工作，北京大学物理化学研究所建立了p d b 数据库中国节点；北京大学生命科学院建立了e m b l 数据库的中国节点等。9支持向量机在基因表达数据中的研究2 基因组序列信息的提取与分析基因组信息学的根本任务是破译人类的遗传密码。迄今为止在人类基因组中被真正掌握的信息与表达规律的只占人类基因组的3 5 。因此基因组信息不仅要发现与确定新的基因，更重要的是发现存在于9 5 ”j u n k d n a 中的新信息表达与调控规律。3 d n a 芯片和微阵列制样d n a 芯片具有高集成度，高并行处理能力，可自动化分析，因此它可以对不同组织来源，不同细胞类型，不同生理状态的基因表达进行监测，获得基因表达的功能谱。预计生物芯片在今后将会成为一个新兴的产业4 蛋白质组研究技术由于生物功能的主要体现者是蛋白质，仅仅从基因的角度来研究是不够的，还要对蛋白质组进行研究，目前主要通过二维凝胶电泳和测序质谱等技术来研究5 基因表达网络基因表达网络是指在分子水平对基因表达调控进行研究，功能基因组研究开展后，将使我们的认识上升到一个新阶段：基因是如何活动来产生结构和信息的。6 生物信息分析的方法研究发展高效的软件和数据库以及若干数据库工具，改进现有的理论分析方法，创建一切适用于基因组信息分析的新方法、新技术。从上面所列生物信息学的主要研究内容可以看出生物信息学研究的发展方向，从基因组结构分析到基因功能分析，再到基因网络的研究，越来越深入现在伴随生物信息数据库数据的指数增长，研究方法也越来越多，机器学习的各种方法是目前生物信息学应用研究的一个热点。2 1 3 生物信息学的研究意义生物信息学研究是从理论上认识生物本质的必要途径。通过生物信息学研究和探索，可以更为全面和深刻地认识生物科学中的本质问题，了解生物分子信息的组织和结构，破译基因组信息，阐明生物信息之间的关系，使得人类对1 0第二章基因表达数据生物界的认识跨上了一个新台阶。生物信息学的出现将改变生物学的研究方式。随着分子生物学技术的发展，出现了一些高通量的实验方法，如基因芯片。对于高通量的实验结果，必须利用计算机进行自动分析，生物信息学必然要介入生物学研究和实验。再一方面，从生物分子数据本身来看，各种数据之间存在着密切的关系。对于这些复杂的关系，必须运用现代信息学的方法去分析研究另外，生物信息学在指导实验、精心设计实验方面将会发挥重要的作用。在进行生物实验前首先要通过生物信息学的方法对实验材料进行预处理，然后再进行有针对性的分子生物学实验。生物信息学研究在医学上也有重要的意义。通过生物信息学分析，可以了解基因与疾病的关系，了解疾病产生的机理，为疾病的诊断和治疗提供依据。研究生物分子结构与功能的关系将是研制新药的基础，可以帮助确定新药作用的日标和作用的方式，从而为设计新药提供依据。2 2 基因芯片技术生物芯片技术是通过缩微技术，根据分子间特异性地相互作用的原理，将生命科学领域中不连续的分析过程集成于硅芯片或玻璃芯片表面的微型生物化学分析系统，以实现对细胞、蛋白质、基因及其它生物组分的准确、快速、大信息量的检测。按照芯片上固化的生物材料的不同，可以将生物芯片划分为基因芯片、蛋白质芯片、细胞芯片和组织芯片。目前，最成功的生物芯片形式是以基因序列为分析对象的“微阵列( m i c r o a r r a y ) 一，也被称为基因芯片。基因芯片( g e n ec h i p ) 是2 0 世纪8 0 年代发展起来的一项高新技术，又称d n a 芯片或者d n a 微阵列( d n am i c r o a r r a y ) ，它是通过原位合成、点接触法或喷墨法等将大量( 通常每平方厘米点阵密度可达几千个甚至数万个) 的d n a分子( 靶标) 固定于膜、玻璃或硅片等支持物上而成。由于所形成的点阵与计算机芯片相似，故人们把它称为基因芯片或d n a 芯片。将基因芯片与标记的样品分子进行杂交后，通过检测每个探针分子的杂交信号强度就可以同时对所有被检测基因进行定性、定量地分析及检测，从而在较大规模上甚至在全基因组的水平上研究转录组( t r a n s c r i p t o m e ) ，即基因表达的模式和规律，揭示有关生命现象本质。将c d n a 克隆固定于支持物( 膜、玻璃、硅片等) 上所形成的芯片就叫e d n a 芯片，有关的技术就叫c d n a 芯片技术。支持向量机在基因表达数据中的研究基因芯片技术主要包括四个主要步骤：芯片制备、样品制备、杂交反应和信号检测和结果分析。目前，基因芯片技术应用领域主要有基因表达谱分析、新基因发现、基因突变及多态性分析、基因组文库作图、疾病诊断和预测、药物筛选、基因测序等。另外基因芯片在农业、食品监督、环境保护、司法鉴定等方面都将作出重大贡献。基因芯片的飞速发展引起世界各国的广泛关注和重视鉴于基因芯片的巨大潜力和诱人的前景，基因芯片已成为各国学术界和工业界研究和开发的热点。尤其在美国。正处于人类基因组计划以来的第二次浪潮之中，美国总统克林顿在1 9 9 8 年1 月的国情咨文中指出：。在未来的1 2 年内，基因芯片将为我们一生的疾病预防指点迷津一1 9 9 8 年6 月2 9 日美国宣布正式启动基因芯片计划，联合私人投资机构投入了2 0 亿美元以上的研究经费。世界各国也开始加大投入，以基因芯片为核心的相关产业正在全球崛起，目前美国已有8 家生物芯片公司股票上市，平均每年股票上涨7 5 ，专家统计：全球目前生物芯片工业产值为l o 亿美元左右，预计今后5 年之内，生物芯片的市场销售可达到2 0 0 亿美元以上。美国财富杂志载文：在2 0 世纪科技史上有两件事影响深远，一是微电子芯片，它是计算机和许多家电的心脏，它改变了我们的经济和文化生活，并已进入每一个家庭；另一件事就是生物芯片，它将改变生命科学的研究方式，革新医学诊断和治疗，极大地提高人口素质和健康水平。鉴于生物芯片技术具有巨大理论意义和实际价值，基因芯片研究在国内也有了很快的发展，例如，复旦大学、中科院上海冶金所、清华大学、联合基因有限公司、军事医学科学院、中科院上海细胞所等单位已在生物芯片技术方面取得了较大突破，相信不久将有我国生产的生物芯片产品投放市场。总之，以基因芯片为代表的生物芯片技术的深入研究和广泛应用，将对2 l 世纪人类生活和健康产生极其深远的影响。2 3 基因表达数据分析基因表达数据分析的基本流程如图2 1 所示：1 2第二章基因表达数据图2 1 ：基因表达数据分析基本流程图2 3 1 基因表达数据的采集基因表达数据反映的是直接或间接测量得到的基因转录产物m r n a 在细胞中的丰度，这些数据可以用于分析哪些基因的表达发生了改变，基因之间有何相关性，在不同条件下基因的活动是如何受影响的。它们在医学临床诊断、药物疗效判断、揭示疾病发生机制等方面有重要的应用。检测细胞中m r n a 丰度的方法有e d n a 微阵列、寡核苷酸芯片、基因表达系列分析( s e r i a la n a l y s i so fg e n ee x p r e s s i o n 。s a g e ) 、r t p c r 等。目前，高通量检测基因组m r n a 丰度的方法主要是e d n a 微阵列、寡核苷酸芯片，它们的原理是相同的，即利用4 种核苷酸之间两两配对互补的特性，使两条在序列上互补的单核苷酸链形成双链，这个过程被称为杂交。基本技术路线是：制备芯片，在一个约l o n 2 c m大小的玻璃片上，将称为探针的e d n a 或寡核苷酸片段固定在上面；从细胞或组织中提取m r n a ，通过r t - p c r 合成荧光标记的c d n a ，与芯片杂交；用激光显微镜或荧光显微镜检测杂交后的芯片，获取荧光强度，分析并得到细胞中m r n a 丰度的信息，如图2 2 所示。支持向量机在基因表达数据中的研究。1 r o wd a t a囊嘲y 懿露脯q u a n t i f i c a t i o na 啊睡6 瀚群脚嘲胁躐i o 瞳藿，g e n ee x p 嘛d a t a m a t j i x_ 明椭图2 - 2 ：基因表达数据的采集一次微阵列实验能获得细胞在某一条件下的全基因组表达数据，包含成千上万个基因在细胞中的相对或绝对丰度，不同条件( 细胞周期的不同阶段、不同组织、药物作用时间、肿瘤类型、不同的外部环境、不同病人等) 下的全基因组表达数据就构成了一个j i f x n 的数据矩阵g ，其中，m 为基因数目，为样本数目，通常情况下肘，其中每一个元素黾表示第i 个基因在第j 个样本( 条件) 下的表达水平值( 在多数应用情况下，是r a t i o 值或l o g ( r a t i o ) ) ，行向量而= ( 玉，五2 ，) 代表基因i 在个样本( 条件) 下的表达水平，称为基因f 的表达谱，列向量= ( 焉，恐，钿) r 代表某一样本( 条件) 下的各基因的表达水平g =毛l毛2而lx - ah l l五而毛甜大量基于d n a 微阵列实验的基因表达数据是公开发布在i n t e r n e t 网上的。尤其是学术机构在发表论文时所用的实验数据都可以免费提供给全世界的研究人员下载使用。作为学术论文的补充资料在网上发布的数据主要是文本文件或e x c e l 格式的文件，这些数据往往都是经过归一化处理后的r a t i o 值或l o g2 ( r a t i o ) ，对于寡核苷酸芯片数据有的是p a m 表示，有的是荧光强度值。一方面由于基因表达数据量非常庞大，而且数据中蕴含着丰富的生物学知1 4第二章基因表达数据识，另一方面由于这些数据没有注释，迫切需要一种标准来描述和存贮d n a微阵列基因表达数据，同时建立公共的d n a 微阵列数据仓库。下表列出了目前收集、存贮微阵列基因表达数据的最有影响的数据库和网站，这些数据库收集的数据往往具有物种特异性，使用比较方便。表2 1 ：常用的基因数据库和网站数据库网站lg e oh t t p ：l l w w w n c b i h i m n i h g o v g e o2a r r a y e x p r e s sh t t p ：w w w e b i a 1 1 u l a r r a y e x p r e s s l3y m d ( y a l em i c r o a r r a yh t t p ：i n f o m c d y a l e e d u m i c r o a r r a yd a t a b a s e )4a r r a y d bh t t p ：l l g e n o m e n h g r i n i h g o v l a r r a y d b5b o d y m a ph t t p ：b o d y m a p i m s u - t o k y o a c j p6e x p m s s d bh t t p ：l l t w o d m e d h a r v a r d e d u e x p r e s s d b7h u g ei n d e x ( ( h u m a nh t t p ：l l w w w h u g c i n d c x o r g w e l c o m e i n d e x c - e r i ee x p r e s s i o ni n d e x )h t m l2 3 2 基因表达数据的预处理对基因表达数据进行聚类、分类等数据分析之前，往往需要进行预处理，包括对丢失数据进行填补、清除不完整的数据或合并重复数据等数据清洗，根据分析的目的进行数据过滤，以及针对分析方法选择合适的数据转换方法等。数据清洗是数据分析前必须进行的一项工作，对于基因表达数据，目的是去除表达水平是负值或很小的数据、或者明显的噪声数据( 单个异常大或小的峰谷信号) ，同时处理缺失数据。d n a 微阵列实验得到的数据一般是经过归一化处理的，每个点的信号强度是前景信号减去背景信号，因此有时会出现负值或很小的值，显然负值是没有生物学意义的。对于这些数据点，通过数据清洗过程可以置为缺失或赋予统一的数值，例如，对于寡核苷酸芯片数据，可以将低于1 0 0 的数据全部设置为1 0 0 。d n a 微阵列表达数据由于实验条件和芯片的因素，检测得到的信号强度往往与细胞中实际的m r n a 丰度之间没有对应关系，因此，通常是采用两个条件下的信号强度的比值，例如，在c d n a 微阵支持向量机在基因表达数据中的研究列双色实验中，最后得到的往往是r a t i o 值。而寡核苷酸单色实验的结果是信号强度，然而在处理一组数据时，也往往选择一个样本作为对照样本，将实验数据转换成r a t i o 值。在计算r a t i o 值时，如果参考样本的信号强度很小，就可能得到很大的r a t i o 如果一个基因谱中仅仅存在单个特别大的r a t i o 值，称之为异常数据点，这往往是由于噪声造成的。对于这个异常数据点，必须去除。数据的缺失对于某些后续数据分析方法( 例如层次聚类和p c a ) 来说有着非常大的影响，甚至是致命性的，这时必须采取相应的方法。一个简单方法是直接过滤掉这些存在缺失数据项的行向量或列向量。另一个方法是设定阈值，计算行向量或列向量中的缺失项数目，如果达到该阈值，则将该数据项所在行或列从数据矩阵g 中删除；如果没有达到阈值但存在缺失项，对这些缺失项可以进行插值。以0 代替缺失项，或用基因表达谱中的平均值或中值进行替代，这些方法都比较简单，但是否与真实值接近，很难进行评估。较为复杂和可靠的方法是，分析基因表达谱的模式，从中得到相邻数据点之间的关系，根据这种关系，利用相邻数据点估算得到缺失值。这种方法类似于k 近邻方法，需要有足够的完整的模式来发现有缺失值的相邻模式，需要有足够的值来确定它们的邻居。在细胞中，基因表达有时空特异性，在某一条件下，能够表达的基因占基因总数的少部分，而大多数基因仅维持基础转录或不转录，转录本丰度很小，因此，d n a 微阵列实验得到的数据矩阵中存在大量的基因表达谱曲线是平坦的，即基因表达水平变化很小。对于这些基因，往往不是生物学家所关心的，而它们的存在，却会大大增加数据分析的复杂性，而且会对一些分析方法的结果有干扰。对这些数据进行过滤是非常有必要的。要保留的基因表达谱究竟占总体数据的多少比例? 这个问题是与分析目的密切相关的，例如对于分析细胞周期相关的基因表达，保留的基因可能较多；而对于肿瘤特异基因表达谱分析，保留的基因往往较少。过滤基因所采用的标准有：( 1 ) 基因表达谱中最大值与最小值的差；( 2 ) 标准差；( 3 ) 均方根；( 4 ) 绝对值大于阈值的数据个数。基因表达谱数据经过过滤，在进行分析操作前，往往还需要进行数据转换。数据转换是将数据变换为适合数据挖掘的形式，可以根据需要构造出新的数据属性以帮助理解分析数据的特点，或者将数据规范化，使之落在一个特定的数1 6第二章基因表达数据据区间中，图2 3 即是一个数据转换图。因此，数据转换包括对数转换和标准化两个过程。数据点图2 3 ：基因表达数据的r a t i o 和l 0 9 2 ( r a t i o ) 表示数据的标准化是将所有的数据转换到同一个范围内，这样做的好处是方便比较和计算相关系数，缺点是在标准差接近0 的时候，会产生大的噪声，这也是首先要进行数据过滤的一个重要理由。数据标准化按如下公式进行：嘞=( 2 - 1 )- - 而= 丙1 丢n 而( 2 - 2 )通过标准化，使得每个基因表达谱的平均值为0 ，标准差为1 。如果要求所有的数据x 分布在【o ，1 】之间，还需要进行如下转换：l - - = o 一毛由) ( 毛懈一再血) ( 2 - 3 )其中，= m i i l ( 五，x 2 ，h ) ，- - m a x ( x l ，毛，h ) ，而要求数据满足分布在b 】区间，则变换如下：l = 竺= 竺基查二益豳2 + 口( 2 - 4 )( 毛峨一)还有一种数据标准化方法是数据的中心化。对于来自细胞系的大量肿瘤样本与一个共同的对照样本比较，每一个基因，相对于对照样本中那个基因的表达水平，都有一系列的r a t i o 值。因为对照样本通常对实验没有什么帮助，对1 7525l5o5l5乞lc ；吨叱支持向量机在基因表达数据中的研究照样本中的基因表达量是独立于分析的。这样，可以通过调整每一个基因的数值来反映系列观察值的变化，例如平均值或者中值。这就是平均值中值中心化，中心化可以减少对照样本的影响。中