文摘

癌症可以被认为是死亡的主要原因之一。最有效的工具之一,能够处理癌症诊断、预后和治疗是通过使用基于微阵列基因表达分析技术。为每个数据点(样本),基因表达数据通常收到成千上万的基因。结果,这些数据是大规模、高维、高冗余。基因表达谱的分类被认为是一个NP难问题。功能(基因)选择是其中一个最有效的方法来处理这个问题。混合癌症分类方法提出了,和几个机器学习技术被用于混合模型:皮尔逊相关系数作为correlation-based功能选择器和减速器,决策树分类器很容易解释,不需要参数,和网格搜索简历(交叉验证)hyperparameter优化的最大深度。七个标准微阵列癌症数据集被用来评估我们的模型。确定哪些特性最丰富和相对使用该模型,各种性能测量工作,包括分类准确性,特异性,敏感性,F1-score, AUC。建议策略大大减少所需的基因数量分类,选择最丰富的特性,并提高分类精度,根据结果。

1。介绍

癌症可以被认为是一个主要的死亡原因(1),和来自微阵列基因表达谱数据已经被确认为有前途的癌症诊断指标(2]。

微阵列是用来测量成千上万的基因相互作用同时创建一个全球图片(细胞功能3,4]。

微阵列数据的分类是最常见的和重要的功能基因组学应用微阵列数据这意味着病人样本分类很多类基于他们的基因表达谱5,48]。在文学中,有许多机器学习的方法已被用于微阵列数据分类中的应用(7,8]。然而,微阵列数据的分类过程仍然具有挑战性和难度由于小样本数量和它的高维度[9]。微阵列基因表达实验往往产生很多功能对于一个小患者数量导致高维数据集小样本数量。基因表达数据是非常富有挑战性和复杂;基因是与另一个直接或间接地使分类过程非常困难和困难的任务通常需要使用一个精确的和强大的特征选择技术。

分类系统是特征选择的主要阶段。为了提高分类性能,选取特征分类方法进行了研究。任何统计方法的10)成功是取决于预先决定的独立属性。结果,识别是保持到最低限度,但特征选择的目的是找到最丰富的特征子集和/或减少维度。

为了能够选择一个信息基因子集,而消除/减少冗余或不相关的基因,能够构造高维数据分类提高芯片的性能,本研究介绍一种混合特征选择方法,称为PCC-DTCV,它结合了不同的方法,皮尔逊相关系数(PCC)和决策树(DT) [11)分类方法和特征选择(12- - - - - -17)和网格搜索简历,可以使用作为一个优化技术(13,14,18- - - - - -20.,42- - - - - -47),优化的调优参数DT (max-depth)能够获得最优特征子集。

为了评估建议PCC-DTCV模型7最知名的流行的数据集使用微阵列数据集用于不同的癌症类型。该模型使用分类精度进行了评估,k-fold交叉验证,敏感性和特异性的价值观。

拟议的方法,根据实验方法,降低维数并选择最重要和有益的特性(基因)和提高了癌症组织从良性组织的识别。此外,PCC-DTCV提高精度分类性能。

最近,有几个主要的研究工作研究的分类和诊断癌症的微阵列数据。作为一个框架的研究在本文的其余部分,我们提供一个大纲的一些分析和应用的技术表1。

表1
回顾以往的研究特征选择,优化和分类方法。

3所示。预赛

3.1。DNA微阵列

的一个主要工具应用于分子生物学和遗传学跟踪DNA微阵列基因表达,指genome-determined蛋白质分子的程度发展。虽然蛋白质结构变化的mRNA测量基因蛋白质结构,它是一种很流行的方法,计算基因表达,所以很难分析成千上万的蛋白质,和信使rna序列(39)杂化与他们额外的DNA或RNA序列,蛋白质虽然没有这些属性。图1显示了微阵列实验步骤,其中包括从一个细胞或组织信使rna的提取。DNA微阵列的结构矩阵如图2,被N(基因测量)×米(样本或条件参与特定的微阵列实验)。


图1
微阵列实验步骤。

图2
微阵列数据矩阵结构。

微阵列实验的基因表达数据处理广泛的矩阵,样品在哪里定义的列 和 测量的表达强度我th基因 在jth样本 样品或实验条件)。行基因的代表G( )。在这项研究中,我们专注于解决两个问题:微阵列数据的分析和理解面临几个挑战:(1)高维度和噪音(2)提高精度性能考虑解释生物学重要在基因表达分析微阵列数据

3.2。决策树(DT)

决策树学习可以被视为一个最实用和常用的归纳推理的方法。

技术用于近似discrete-valued函数,可以学习析取表达式和适应嘈杂的数据(21]。这些归纳推理算法是最常见的,他们已经成功地用于广泛的任务,从学习到诊断的医疗情况下学会评估贷款申请人的信用风险。决策树学习是nonbacktracking一步超前(登山)追求通过所有可能的决策树的空间使用启发式。决策树是常用的生物信息学,特别是在决策分析来帮助识别的一种疾病,更有可能产生一个特定的症状。树分类器是用于我们的模型PCC-DTCV基本性质,明确的上下文,和快速转换if - then法律。的决策树是决策支持的设备使用树状图和其潜在的问题,包括意外事件影响,资源成本和效用。在生物信息学中,决策树被广泛使用,特别是在决策分析帮助分类类型的疾病更容易达到一个特定的症状。作为一个描述性的方式操纵条件概率,可以使用决策树。这是孤立和征服22创建决策树的方法。如方程所示1)- (5),熵控制决策树决定如何划分数据。它影响边界是如何绘制决策树。基尼(基尼杂质)指数措施的程度的概率特性,错误标签是随机选择的。错误分类。获得比决策树的参数测量,它被定义为输出 在哪里n是类和0 log_20 = 0的数量在熵的计算: SplitInfo和函数定义如下: 在哪里 给数据样本的概率分布和“钻头”由于计算统计数据。方程(5)与对数函数基础2。熵之间的关系,误分类错误,基尼杂质是如图3。


图3
基尼杂质的关系、熵和错误分类错误。(22]。
3.3。相关系数

Correlation-based特征选择算法计算相关系数使用Correlation-based启发式评估函数(CFS)。它被限制的单变量筛选方法不考虑特征相互作用[23,24]。相关的过程(25)可以用来衡量变量之间的关系(基因)。两个变量之间的线性关系可以描述使用皮尔逊相关系数或相关系数的统计数据。著名的相似性度量定义两个特性之间的相关性。如果两个功能相互依赖线性相关系数 。相关系数为0,如果特性是不相关的。对两个变量(X,Y),线性相关系数r是由以下方程(26]:

在我们的模型中,我们使用皮尔逊相关系数(PCC)的特征选择(38]。这是一个数学强度测量的配对数据的线性关系。它被定义为r和有限的如下:

,正值意味着线性相关的积极、消极的价值观意味着线性相关性为负,零值意味着有一个非线性相关,值越接近 或1,存在较强的线性相关性。

该模型使用皮尔逊相关性计算特征之间的相关性。使用对称的不确定性措施,计算类的特性。如果该值高于阈值(0.5),功能将被选择。选择当特征的数量等于结束n日志n。根据递减的顺序,每个选择的特征是排名。删除冗余特性,feature-feature相关。阈值(0.4,0.5,和0.6)使用和他们的结果进行了比较与决策树优化前后的最大深度(max-depth)。

3.4。网格搜索的交叉验证

网格搜索参数调优方法,构建和评估模型有条不紊地为每个算法参数组合在一个网格中指定。著名的条件,应该在使用网格解决搜索简历讨论如下(27]。

(一)估计量。这个词的使用是为了在scikit-learn实现估计接口。这个参数接收分类器训练(28]。(B)参数网格。这是一个Python字典键-值对参数名和参数设置。所有这些参数的组合进行测试,以确保最高水平的准确性。(C)交叉验证。这决定了交叉验证分割策略。交叉验证技术重新取样可用数据来评估机器学习模型。的主要目的是评估在前所未有的机器学习模型的性能数据。使用这个的主要优势是它产生更少的偏见或乐观的结果相比,一个简单的train-test分裂。它的工作方式是,首先打乱数据集随机。然后分为整个数据集 组。每一组作为测试数据,而其他人则作为训练数据。评价乐队与每组保存在最后总结能够检查模型的性能。重要的是,一旦出现在每个示例的测试数据和用于训练 次了。图4详细解释了网格搜索交叉验证过程。在训练步骤,hyperparameters优化变量得到最优平均执行值经过几次试错过程。树的最大深度(max-depth)是最关键的hyperparameter影响决策树模型的困难(6),而最大深度的最长距离的长度是树的根节点。根节点深度是0.0。整体深度价值越高导致过度拟合,导致underfitting低价值。提出的混合模型PCC-DTCV、网格搜索交叉验证用于克服过度拟合与常规电网约束搜索。获得更好的参数、网格搜索交叉验证用于优化树的最大深度hyperparameter得到最佳hyperparameter价值。


图4
工作网格搜索的交叉验证(26]。

4所示。提出了模型PCC-DTCV

该混合模型PCC-DTCV分类和诊断癌症微阵列数据(如图5)将详细澄清。关键模型阶段如下:(1)预处理数据集(癌症微阵列)。这个阶段是至关重要的(a)避免功能在数字少范围控制范围宽,(b)避免数值通过计算复杂性,(c)调整每个特性区间[0,1]。(2)PCC应用寻找连续特性和类之间的关联特性,评价是基于它是如何与目标基因的特性,具有较高的相关目标类有一个相关值接近1,和相关系数的基因 0.5被删除,输出信息和重要基因子集(特性)。(3)样本数据的输出是分区用来训练数据子集匹配模型和测试数据用于验证模型一旦模型训练有素训练(DT)。(4)网格搜索简历10倍交叉验证用于获取树的最优参数(max-depth)在训练集上。(5)模型精度评估,使用10倍交叉验证,我们的数据集是10倍,使用分割训练分类器训练,估计和预测质量上看不见的数据(测试)分裂。混淆矩阵测量为测试分裂。的AUC,特异性和灵敏度除了精度计算。(6)如果终止条件没有得到满足,从3个月到6个重复,直到满足终止条件。如果终止履行(max折叠,数量= 10),结果将是最优基因(特性)的一个子集最重要和有益的基因。


图5
提出的模型(PCC-DTCV)。

5。结果与讨论

在下一节中,大量研究的结果,来确定执行的有效性提出的混合模型PCC-DTCV进行了讨论。具有以下属性的PC平台用于测试该模型:RAM 4 GB和32位操作系统(Windows 7),英特尔(R)的核心(TM) i5 - 7500 cpu,以及框架如熊猫、NumPy, Keras, SciPy, Matplotlib和Python编程语言。人类癌症研究的数据集包括以下:乳腺癌、前列腺癌、结肠癌肿瘤、肺癌和白血病是应用于7个不同的微阵列数据集样本高维有限和二进制类。此外,所有数据集有两种类型,表2列出所有数据集的定义。

表2
数据集的特征。

在所有的研究中,10倍交叉验证技术应用。数据被随机分为10个不同的子集(同样大小的10倍交叉验证),和实验进行了10次。一个子集是为每个运行作为测试集,和一个是作为验证集,和其他集被用作训练集(图5)。获得一个估计,的均值k折叠的结果可以确定。近似模型,用于我们的实验10倍交叉验证,获得的结果的形式说明的意思 标准差。此外,在这两种分析,迭代的数量是50。树的价值(max-depth) hyperparameter [3,30.]。我们的评估包括四个测量:(1)准确性(ACC):这是最常用的评价标准对于正确预测对的比例,但单独使用它通常是不够的。精度 。(2)灵敏度(参议员):一个患病的人可能会被认为是病通过测试。 ,在TN是真正的底片数量和TP是真正的阳性数。(3)特异性(规范):可能是一个人没有疾病是由测试定义为nondiseased(或健康)。它被描述为 ,FP意味着假阳性的数量和TN的数量是正确的否定。(4)AUC显示接受者操作特征(ROC)曲线下的面积,并计算 。

TP是真阳性,FP是假阳性,TN是真阴性,FN假阴性。基于混淆矩阵,我们评估的性能提出了基因选择方法和竞争对手。评估我们的模型的输出,被称为卡方检验的统计检验方法21)是用来检查的观测值对于一个给定的分布符合当变量是独立的。

6。实验结果

本节讨论实验结果来验证我们的模型PCC-DTCV的性能。分类精度性能和选择的特性(基因)与PCC PCC-DTCV方法的数字(0.4,0.5,和0.6)微阵列数据集,分别在表中进行了总结3- - - - - -8和数字6- - - - - -9。统计模型中描述表9。六种不同的性能指标是选择结果评估:AUC, ACC,特异性,敏感性,回忆,F1-score [10,22]。降低维数高,提高分类的性能问题,并选择最有益的基因,我们运行PCC-DTCV使用所有数据和信息选择特性(基因)号码。它可以指出,PCC-DTCV给基因(特性)有序列表根据最高的相关信息,重要性,以及相关的基因。很明显,PCC-DTCV达到最高水平的维度降低通过选择最小的数的基因和最大的多维数据集是Chowdary乳腺癌22283特性(基因)和104个样本,见表3和4。高度相关子集选择基因的目标类与PPC PCC-DTCV = 0.4(基因)从22283年410特性。PCC-DTCV DT分类器的性能相比没有任何优化方法和优化DT表中给出3和4以及分别与PPC highest-dimensional数据集的准确性 = 0.4和DT分类器和DT分类器进行优化。(0.92的准确性 0.09),优化DT分类器显示精度比DT分类器(0.90的准确性 0.09)。

表3
DT和PPC PCC-DTCV模型 0.4。
表4
优化DT和PPC PCC-DTCV模型 0.4。
表5
DT和PPC PCC-DTCV模型 0.5。
表6
优化DT和PPC PCC-DTCV模型 0.5。
表7
DT和PPC PCC-DTCV模型 0.5。
表8
优化DT和PPC PCC-DTCV模型 0.6。

图6
准确性得到与PPC使用DT PCC-DTCV模型分类器 0.4、0.5和0.6的数据集。

图7
使用DT AUC获得PCC-DTCV模型与PPC分类器 0.4、0.5和0.6的数据集。

图8
获得的灵敏度与PPC使用DT PCC-DTCV模型分类器 0.4、0.5和0.6的数据集。

图9
获得的特异性与PPC使用DT PCC-DTCV模型分类器 0.4、0.5和6对于所有数据集。
表9
正常的测试。

表5和6显示选中的数量与PPC基因(特性) 0.5低于选定的数量(特性)与PPC基因 0.4对所有数据集;这意味着与PPC PCC-DTCV实现高维减少 0.5与PPC 0.4。ACC, AUC、敏感性和特异性,PCC-DTCV达到更高的结果与PPC相比实现了 0.4优化DT分类器和DT分类器;例如,选择的数量(特性)戈登的基因数据集对肺癌是PPC的274年与743年相比 0.4,除了值为94%,88%,97%,79%,ACC, AUC,敏感性,特异性和DT分类器和94%,90%,97%和87% DT分类器进行了优化。从表7和8,我们可以看到与PPC PCC-DTCV 0.6有最好的ACC, AUC,敏感性,特异性,回忆,F1-score PPC相比 0.4和0.5,这意味着与PPC PCC-DTCV最好的分类性能 0.6和选定的基因(功能)是最相关的,重要的,有用的基因。

数据6- - - - - -9使用PPC代表获得的分类性能 0.4、0.5和0.6和DT与PCC-DTCV模型分类器对前列腺癌,结肠癌,白血病,肺癌,乳腺癌数据集。从图6,实现结果表明,该建议乳腺癌PCC-DTCV模型具有更高的精度,肺癌,白血病数据集和PPC可以获得最高的精度 0.6乳腺癌Chowdary数据集的,96%。从图7,AUC度量获得超过90% Chowdary和辛格的数据集和80%以上为结肠癌,所有数据除了阿龙数据集获取PPC为71% 0.6。从图8,灵敏度指标获得超过90与戈登,Chowdary, Golub数据集,肺癌,乳腺癌,白血病,与PPC分别 0.4、0.5和0.6。特异性指标如图9达到96%与PPC Chowdary数据集 0.6。

数据10- - - - - -13代表了分类性能获得使用优化DT分类器和PPC PCC-DTCV模型对前列腺癌,结肠癌,白血病,肺癌和乳腺癌数据集。在图10、准确性度量可以获得90%以上为戈登,Chowdary, Golub数据集,肺癌,乳腺癌,白血病,与PPC分别 0.6。从图11,AUC度量获得80%以上为结肠癌,所有数据除了阿龙数据集获取PPC为76% 0.6。从图12,灵敏度指标获得90%以上与戈登,Chowdary, Golub数据集,肺癌,乳腺癌,白血病,与PPC分别 0.4、0.5和0.6。特异性指标如图13获取所有数据集与PPC超过80% 0.6。最后,该模型给出了与PPC最佳的分类性能 0.6优化DT分类器和DT分类器和选择的特性(基因)最小冗余和最大相关和有用的信息与目标类与高度相关。


图10
准确性得到与PPC使用DT PCC-DTCV模型分类器 0.4、0.5和0.6的数据集。

图11
使用DT AUC获得PCC-DTCV模型与PPC分类器 0.4、0.5和0.6的数据集。

图12
使用优化的灵敏度获得PCC-DTCV模型与PPC DT分类器 0.4、0.5和0.6的数据集。

图13
使用优化的特异性获得PCC-DTCV模型与PPC DT分类器 0.4、0.5和0.6的数据集。

这些结果说明,该模型遵循正态分布作为Kolmogorov-Smirnov和Shapiro-Wilk团体的价值。0.02 . 05见表9。第一个条件是实现遵循正态分布。第二个条件是,没有异常值和异常,以及对使用曼哈顿距离方法,应用回归分析,计算离群值。此外,一个新的变量的出现在曼哈顿距离和最大的价值相比,价值较低,低于现有的变量使用卡方检验的数量。曼哈顿距离的值= 18.466相比,使用卡方检验。卡方分布的临界值将被应用在df= 6和 值为0.001时发现是0.001 0.999置信区间和不确定性区间。如果22.46的值大于18.466,然后假设没有选择题离群值。Sig =。0155,大于0.0001。满足条件,这意味着条件方差同质性存在,是实现芬尼大于0.5的一个选择。这表明依赖变量的方差是相等的。

7所示。结论

本文提出一种为癌症诊断和分类PCC-DTCV模型。PCC-DTCV优化DT的调优参数(max-depth)分类器使用网格搜索和皮尔逊相关用作基因选择方法(功能)。该模型有效地确定一个最优或算法的子集信息和重要基因和产生了较高的分类结果。几个实验进行了评估拟议的PCC-DTCV模型选择最有益的基因来提高癌症微阵列数据的性能分类。除了减少微阵列数据的维数,结果表明模型的有效性能与高重要性选择最有益的基因。结果表明,PCC-DTCV提供最适合癌症类型预测的特异性,AUC,灵敏度和准确度。在未来的工作中,对决策树优化,我们预计使用滑雪司机和其他算法。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了研究者支持项目数量(RSP-2021/244),沙特国王大学,利雅得,沙特阿拉伯。