文摘
本文着重于癌症分类特征基因选择,雇佣了一个优化算法选择基因的一个子集。我们提出一个二进制研究粒子群优化(BQPSO)癌症特征基因选择、耦合为癌症分类支持向量机(SVM)。首先,提出BQPSO算法描述,它是一个离散版本的原始QPSO二进制0 - 1优化问题。然后,我们目前对癌症的原理和过程特征基因选择和癌症分类基于BQPSO和支持向量机分析交叉验证(LOOCV)。最后,BQPSO耦合SVM (BQPSO / SVM),二进制PSO耦合SVM(全局搜索/ SVM)、支持向量机和遗传算法耦合(GA / SVM)检测特征基因选择和癌症分类五微阵列数据集,也就是说,白血病,前列腺癌、结肠癌、肺癌、淋巴瘤。实验结果表明,BQPSO / SVM在精度具有显著优势,健壮性和特征基因选择的数量比其他两种算法。
1。介绍
如今,癌症一直是人类最常见的致命因素。错过和错误的诊断有时会让人失去最好的机会适当的治疗。因此,需要更多的辅助测量促进癌症诊断的准确性和临床试验结合医疗方式(1- - - - - -4]。与信息科学的快速发展和分子生物学,基因微阵列技术将人们大量的高通量基因资料广泛应用于癌症诊断、临床检验、和其他方面。然而,芯片表达数据是高度冗余和噪声,和大多数基因都不提供信息的学习课程,因为只有一小部分基因可能存在不同的配置文件的不同类别的样本。因此,有效的癌症特征基因选择方法是非常必要的。强劲这些方法应该能够识别信息的一个子集的基因嵌入的一个大型数据集与高维噪音污染。
这是Golub等人第一次使用癌症基因表达数据的分类(5]。他们提议使用基因表达数据的急性白血病癌症分类采用“信噪比”指数校准基因的癌症分类的贡献,通过加权投票机制区分癌症类型(5]。这项研究表明,基因表达数据的使用来确定癌症的辅助医疗诊断是一种有效的措施。之后,越来越多的生物学和信息科学领域的研究人员已经提出了很多有效的特征基因选择方法,以便为这一学科的研究成为热点之一的生物信息学。
目前,有两类的方法获得功能基因对癌症分类基于基因表达数据,即特征变换方法和特征选择方法。根据定义,功能转换是指一种将原始特征属性转换为一组新的特性,代表原始特性最大但尽可能减少尺寸以达到降维的目的。这意味着新特性是低维特征相似的分类能力。功能癌症分类利用基因表达数据的转换方法包括主成分分析(PCA) (6),内核PCA (7),独立分量分析(ICA)的值8),局部线性嵌入(米歇尔)[9],偏最小二乘(PLS) [10),最大优势准则(MMC) (11),和线性判别分析(LDA) (12]。Conde et al。13,14提出了一种基于聚类的特征变换方法。这种方法使用自组织树算法进行基因聚类和计算每个类别的平均基因表达水平,然后接受为一个新特性建立癌症分类模型。菅直人et al。15)采用PCA变换的基因表达数据的儿童蓝色的小圆细胞肿瘤,然后人工神经网络用于分类。
功能转换方法确实可以减少对基因表达数据的维度,可以消除“维度诅咒”现象由于大量冗余基因,这样他们可以帮助建立有效的癌症分类模型。然而,新功能特性变换得到的财产不再有最初的生物学意义;即方法破坏原始基因表达的生物信息数据,这使得它不可能确定目标与癌症相关的基因。出于这个原因,特征基因选择方法吸引了更多的关注。
特征基因选择使用一个优化算法选择基因的一个子集,最分类的信息,从最初的基因微阵列数据。最常用的特征基因选择方法可以分为过滤,包装,和嵌入式的。滤波算法独立于随后的学习算法但是得分基因子集,使用一些标准衡量的贡献基因分类。这些方法通常使用信噪比(5),测试(16),相关系数(17),互信息(18],救援[19),信息增益(20.),或Fisher歧视(21]。显然,过滤方法简单等优势,快速计算,和独立的分类算法。然而,他们评估单个基因与一些标准,但忽视基因之间的相关性,导致大量的候选基因中包含的冗余信息。
不同过滤方法、包装方法结合基因选择和分类方法和使用培训学习算法的准确性评估特性指导基因选择的子集。这种方法包括顺序随机搜索启发式(22),随机森林方法(23],PKLR [24]。在癌症特征基因选择,一个典型的包装特征选择方法结合支持向量机(SVM)和递归特征选择方法25]。在这种方法中,使用支持向量机分类的数据集,那么每个基因是反过来,排除和排斥后的SVM的性能改变的基因计算之后,基因与协会的绝对值最小重量的训练集,直到训练集是空的。基因集删除在最后一步是最佳的子集。李等人。26采用遗传算法(GA)来选择功能基因的癌症。Zhang et al。27)耦合的二进制粒子群优化(全局搜索)和支持向量机分类的结肠数据集。
嵌入式方法扩展包装方法进行特征选择和分类器训练的过程中,没有将数据集分为训练集和验证集。典型的嵌入算法包括决策树(28)和人工神经网络(29日]。
在这项工作中,我们提出一个新的方法,夫妇一个二进制研究粒子群优化的支持向量机方法,选择从癌症微阵列数据特征基因子集。为了证明BQPSO / SVM的优点,我们也实现其他两个算法,全局搜索/ SVM和GA / SVM。全局搜索和遗传算法用于这项工作都是最初的版本。这两个算法或改进的被其他学者早在在这种情况下使用(30.- - - - - -32]。所有这三个方法是实验评估五个著名的癌症数据集(白血病、结肠癌、前列腺癌、肺癌、淋巴瘤)。
本文的结构如下。节2节中,我们回顾BQPSO算法,3支持向量机技术描述和BQPSO /提出了支持向量机方法。节4,五个微阵列数据集用于这项工作。实验结果发表在部分5生物的描述,包括一些获得基因。最后,本文的结论部分6。
2。二进制编码研究粒子群优化(BQPSO)
PSO算法以人群为基础的进化的搜索技术,在[首先提出33]。社会行为的动物,如鸟类聚集和鱼教育和群理论的潜在动机算法的发展。灵感来自于量子理论,太阳et al。34)开发了一个新的变种算法称为研究粒子群优化(QPSO),基于量子策略势阱采用样本在个人最好点,然后介绍了意味着最佳位置到算法(35- - - - - -37]。
基于我们以前的工作在38),在这篇文章中,我们进一步提出了一个离散的二进制版本优于(BQPSO)作为基因选择的搜索算法耦合SVM基于癌症基因表达数据。提出BQPSO,粒子的位置表示为一个二进制字符串。例如,在图1 是第一个粒子和第二个;他们都有两个子字符串(两个决策变量),和距离的定义是两个二进制字符串之间的汉明距离;也就是说, 在哪里是函数之间的汉明距离吗和,这是计算两个字符串中位不同;7在图的距离1。BQPSO,维度定义为决策变量的数量,这样一个粒子可以有多个决策变量。例如,粒子被表示为,它有决策变量,指的是th substring (决策变量)的位置粒子。考虑到的长度和是和然后我们可以得到方程分别如下:
BQPSO,意思是最好的所有粒子的位置是由美国的所有粒子的。在细节,th的经常出现,如果1比0th的所有,th的将1;否则将是0。然而,如果1和0有相同的频率发生,th的将随机为1或0,0.5的概率或者状态。这个函数获取被称为。获取函数的伪代码在伪代码1。
|
||||||||||||||||||||||||||||||||
是当地的吸引子粒子的坐标。QPSO的连续版本的坐标的隔和。BQPSO,点通过一点或多点交叉操作产生的吗和遗传算法(GA)中使用,这肯定使躺在和。函数得到在BQPSO被称为。
更新粒子位置在原始QPSO的方程给出 BQPSO, (4)又可以编写如下: 在哪里
因为汉明距离,必须是一个整数,使用功能的原因是什么。新的字符串获得的突变概率计算
在[35),这里子串的长度是。函数得到表示为。的变换在伪代码描述2。
|
||||||||||||||||||||||
BQPSO可以概括为,,。
3所示。基因选择和分类BQPSO / SVM
3.1。支持向量机分类器
支持向量机在[提出39)是一种技术来源于统计学习理论。它被广泛用于分类点通过分配他们两个不相交的一半空间40,41]。也就是说主要双阶级分类支持向量机进行。对于线性可分的数据,支持向量机训练样本之间的利润最大化的超平面和类边界。对非线性可分的情况下,样本被映射到一个高维空间。在这个空间中,可以找到这样的分离超平面。赋值是由称为内核函数的机制。
从理论上讲,支持向量机能够正确分类任何线性可分的数据。考虑数据两类,它可以表示为 的超平面的两类数据是分开 为了保证数据正确分类和类之间的距离尽可能的大,超平面必须满足 的距离了所以构建超平面的问题转化为如下优化问题: (9)的约束。通过引入下列拉格朗日函数解决问题(10): 在哪里被称为拉格朗日系数。解决问题的拉格朗日对偶,获得一个简单的问题: 解决问题(12),我们可以得到 获得的超平面 和最优分类函数
3.2。拟议中的BQPSO / SVM方法
在许多生物信息学问题特征的数量明显大于样本的数量。为了提高分类或帮助认识到有趣的特性在嘈杂的环境中,减少的数量特征是不可或缺的工具。混合BQPSO / SVM方法提出了以下的贡献特别是在这个意义上。
首先,数据预处理。标准化的数据必须进行,以消除分类上的无量纲的影响。然后我们需要传统以及对数据、订单的基因价值提升,得到50个顶级基因。之后,大部分的噪声数据已被移除。这50个基因构成的整个搜索空间BQPSO基因选择算法。
BQPSO用于这项工作,BQPSO的群体大小和全局搜索是20和GA的人口规模也是20。每个粒子都有一个决策变量,因此粒子的维数。粒子的长度是50,所以每一个粒子都是二进制串长度为50,和1代表这不是基因选择和0。癌症分类特征基因选择和基于混合BQPSO / SVM算法伪代码中可以被描述为这个过程3。
|
||||||||||||||||||||||||||||||||||||||||||
3.3。评价函数
从一个粒子是一个二进制的字符串代表BQPSO / SVM基因子集,每个粒子的评估是由支持向量机分类器执行评估的质量代表基因子集。粒子的适应度采用计算分析交叉验证(LOOCV)方法计算精度的SVM训练子集。在分析交叉验证,评估所有样品测试数据,而其他的除了这个作为训练数据,重复,直到所有样本已作为测试数据。LOOCV的分类精度的平均精度*分类,如果数据集样本。描述的评价函数 在哪里和重量值,设置为0.6和0.4,分别为目的的控制精度值优先于子集大小,因为高精度领先时首选的搜索过程。最大化的目标包括准确性和减少基因的数量。为了方便(只有最大的健身),第二个因素是作为。
4所示。数据集
有几个DNA微阵列数据集出版的癌症基因表达研究。其中有五个是用于本文。白血病数据集,数据集,前列腺癌结肠数据集,肺的数据集,数据集和淋巴瘤。所有人都从BRB-ArrayTools (42与URL]http://linus.nci.nih.gov/ ~马上回来/ DataArchive_New.html。这五个数据集的更多细节显示在表中1和2。括号中的值表3是1类或类的例子的数量2参与数据集。
5。实验结果和性能比较
BQPSO / SVM方法在MATLAB实现,以及全局搜索/ SVM和GA / SVM。SVM分类器中使用这三种方法是基于LIBSVM图书馆(43]。对于支持向量机配置,因为我们正在考虑搜索算法的性能在工作,而不是参数的支持向量机分类的影响,我们使用LIBSVM的默认参数。和默认的内核函数配置为径向基函数。这个工作的适应度函数的分类精度分析交叉验证(LOOCV)。
所有实验进行了使用电脑与Windows操作系统和一个奔腾双核2.60 GHz CPU、2 G的内存。BQPSO / SVM,全局搜索/ SVM和GA / SVM算法对五种癌症相关的微阵列数据集独立执行25次每个数据集,为了统计上有意义的结论,这三个算法随机搜索的方法。
5.1。参数设置
中使用的参数BQPSO、全局搜索和GA算法如表所示3。这些参数被选中后几个测试评估每个算法和数据集实例,直到达到最佳配置方案的总体质量。
5.2。讨论和分析
根据实验的结果,我们专注于性能和鲁棒性分析结果,以及获得的质量解决方案提供一个生物的描述最重要的。我们进行了实验全局搜索/ SVM和GA / SVM为了证明提出BQPSO / SVM的优点没有任何其他影响因素,因为在我们的工作这三种算法都是在完全相同的硬件和软件环境,使用相同的数据集和参数。
5.2.1。性能分析
接下来,我们比较BQPSO /与全局搜索支持向量机SVM和GA / SVM。自这三种算法在相同的环境中运行,参数,并将结果数据集,是绝对可比性。表4列表LOOCV精度最高的25个独立执行每个方法为每个数据集。均值列包含LOOCV精度的平均值从25个独立执行。
性能比较表明,全局搜索/ SVM和GA / SVM相比,BQPSO / SVM具有明显的优势。正确的速度,搜索功能BQPSO / SVM比其他两个竞争对手。
特征选择在我们工作的目的是找到小子集,分类精度高。在图2的基因子集的平均大小25处决。显然,该BQPSO / SVM提供较小的子集的基因比其他两种方法。
5.2.2。算法的鲁棒性
除了质量的算法,它能够产生相似或相同的结果执行时几次也很重要。最重要的一个标准在评估任何算法的鲁棒性。是特别重要的metaheuristics从事这项工作。标准差(std. dev)表5表示标准偏差的精度从25个独立执行。从标准差可以看出,该算法的鲁棒性明显优于GA / SVM。与全局搜索/ SVM相比,我们的算法获得较小的标准差与前列腺数据集和结肠数据集,但发现更好的解决方案,导致了较大的标准差。总的来说,从表5,这是表明BQPSO / SVM具有明显优于其他两种方法的鲁棒性。
5.2.3。短暂的生物分析选定的基因
最后,最好为每个数据集的子集基因被发现。我们把所有子集的最高精度和选定的基因列表。结肠数据集的前5基因选择频率最高的每个微阵列数据展示在表6。(我)表中列出的基因之一5,两人也选择(44]。第一个基因是uroguanylin Z50753前兆。结果表明,减少uroguanylin可能表明结肠肿瘤(45,46)报道,uroguanylin治疗有积极的治疗意义减少结肠癌症前期的伎俩。(2)结肠的第二选择基因数据集R87126(肌凝蛋白重链,nonmuscle)。的同种型B R87126作为肿瘤抑制和是众所周知的细胞骨架网络的组件(47]。
6。结论
本文混合基因选择和技术提出了高维DNA微阵列数据的分类和比较。这项技术是基于metaheuristic BQPSO用于特征选择算法使用支持向量机分类器识别潜在的好基因子集,而全局搜索和遗传算法。此外,通过一个精确的分析验证了基因选择交叉验证方法来提高实际的分类。
三种方法都是通过实验评估五个著名的癌症数据集。结果分类率100%,低于平均11个基因在大多数的死刑。预处理方法的使用显示一个伟大的影响算法的性能,因为它引入了一个早期的演化过程的可接受的解决方案。继续这项工作,我们感兴趣的优化BQPSO / SVM为了发现新的和更好的使用特定基因微阵列数据集的子集。
相互竞争的利益
作者宣称他们没有金融和个人关系与他人或组织不当会影响他们的工作;没有专业或其他任何性质的个人利益或在任何产品,服务,和/或公司可能被视为影响的位置,或审查。
确认
研究工作得到了国家自然科学基金(项目号。61373055和61373055),江苏大学和大学自然科学基金(项目号16 kjb520051),清朝局域网项目江苏和无锡理工学院。