主权项 |
一种基于网络分析的群lasso特征分群方法,其特征在于具体步骤为:步骤(1),用基因探针探测出大鼠2/3肝切除后肝细胞样本在2、6、12、24小时的基因表达谱数据,将其标记为正样本数据,同样方法可得未进行肝切除的对照组数据,将其标记为负样本数据,将原始数据中的基因变异、异常数据和小关联数据筛选出来去掉,从而得到分群预处理数据,其中未知变量(特征)为6995个;步骤(2),上述分群预处理数据,其为在4个时间节点采集的正负两类基因表达谱数据,每一类包含36个样本,每一个样本包含6995个变量(特征),从而构建数据网络集<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><msup><mi>X</mi><mo>+</mo></msup><mo>=</mo><mrow><mo>(</mo><msubsup><mi>x</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mn>1</mn></msubsup><mo>,</mo><msubsup><mi>x</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mn>2</mn></msubsup><mo>,</mo><msubsup><mi>x</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mn>3</mn></msubsup><mo>,</mo><mo>...</mo><msubsup><mi>x</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mn>6995</mn></msubsup><mo>)</mo></mrow><mo>,</mo><mrow><mo>(</mo><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>,</mo><mo>...</mo><mn>36</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000829655780000011.GIF" wi="842" he="87" /></maths>为实验样本数据集,<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><msup><mi>X</mi><mo>-</mo></msup><mo>=</mo><mrow><mo>(</mo><msubsup><mi>x</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mn>1</mn></msubsup><mo>,</mo><msubsup><mi>x</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mn>2</mn></msubsup><mo>,</mo><msubsup><mi>x</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mn>3</mn></msubsup><mo>,</mo><mo>...</mo><msubsup><mi>x</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mn>6995</mn></msubsup><mo>)</mo></mrow><mo>,</mo></mrow>]]></math><img file="FDA0000829655780000012.GIF" wi="557" he="87" /></maths><maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><mo>(</mo><mi>i</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mn>36</mn><mo>)</mo></mrow>]]></math><img file="FDA0000829655780000017.GIF" wi="280" he="69" /></maths>为对照实验样本数据集;步骤(3),依据相似性测量和幂邻接函数,将预处理数据集X<sup>+</sup>,X<sup>‑</sup>转化为邻接网络矩阵<maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><msup><mi>A</mi><mo>+</mo></msup><mo>=</mo><msub><mrow><mo>[</mo><msubsup><mi>a</mi><mrow><mi>h</mi><mi>j</mi></mrow><mo>+</mo></msubsup><mo>]</mo></mrow><mrow><msub><mi>n</mi><mn>1</mn></msub><mo>×</mo><msub><mi>n</mi><mn>1</mn></msub></mrow></msub><mo>,</mo><msup><mi>A</mi><mo>-</mo></msup><mo>=</mo><msub><mrow><mo>[</mo><msubsup><mi>a</mi><mrow><mi>n</mi><mi>j</mi></mrow><mo>-</mo></msubsup><mo>]</mo></mrow><mrow><msub><mi>n</mi><mn>2</mn></msub><mo>×</mo><msub><mi>n</mi><mn>2</mn></msub></mrow></msub><mo>,</mo><mrow><mo>(</mo><msub><mi>n</mi><mn>1</mn></msub><mo>,</mo><msub><mi>n</mi><mn>2</mn></msub><mo>=</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>,</mo><mo>...</mo><mo>,</mo><mn>6995</mn><mo>)</mo></mrow><mo>;</mo></mrow>]]></math><img file="FDA0000829655780000013.GIF" wi="1030" he="79" /></maths>步骤(4),由公式K<sub>j</sub>=∑<sub>u</sub>a<sub>ju</sub>(j=1,2,…,3600)得到一个变量与群体变量的相关度矩阵,将K<sub>j</sub>按照从大到小进行排序,分别在两类数据集中挑选出前3600个相关度较强的变量;步骤(5),在上面选择的3600个变量中将邻接矩阵转化为拓扑重叠矩阵,<img file="FDA0000829655780000014.GIF" wi="622" he="78" />计算出每个集合中的变量之间的相异系数<img file="FDA0000829655780000015.GIF" wi="87" he="70" />构建出实验样本和对照样本分层聚类树,利用动态剪切树算法分别识别出实验样本中的重要模块和对照样本中的重要模块,根据实际的实验背景,利用对照样本中的模块来简化实验样本中的模块,识别出简化的实验变量模块为12个,根据识别出的12个网络模块,把相应的3145个变量分为12个特征群,余下的每一个变量分别看作一个特征群,共计获得获得3862个特征群,进而完成特征分群任务;步骤(6),根据上述分群策略构建稀疏群lasso模型:<maths num="0005" id="cmaths0005"><math><![CDATA[<mrow><mover><mi>β</mi><mo>^</mo></mover><mrow><mo>(</mo><mi>l</mi><mi>a</mi><mi>s</mi><mi>s</mi><mi>o</mi><mo>)</mo></mrow><mo>=</mo><munder><mi>min</mi><mrow><mi>β</mi><mo>∈</mo><msup><mi>R</mi><mi>p</mi></msup></mrow></munder><mfrac><mn>1</mn><mrow><mn>2</mn><mi>m</mi></mrow></mfrac><mo>|</mo><mo>|</mo><mi>y</mi><mo>-</mo><munderover><mo>Σ</mo><mrow><mi>l</mi><mo>=</mo><mn>1</mn></mrow><mi>q</mi></munderover><msup><mi>X</mi><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup><msup><mi>β</mi><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup><mo>|</mo><msubsup><mo>|</mo><mn>2</mn><mn>2</mn></msubsup><mo>+</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>α</mi><mo>)</mo></mrow><mi>λ</mi><munderover><mo>Σ</mo><mrow><mi>l</mi><mo>=</mo><mn>1</mn></mrow><mi>q</mi></munderover><msqrt><msub><mi>p</mi><mi>l</mi></msub></msqrt><mo>|</mo><mo>|</mo><msup><mi>β</mi><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup><mo>|</mo><msub><mo>|</mo><mn>2</mn></msub><mo>+</mo><mi>α</mi><mi>λ</mi><mo>|</mo><mo>|</mo><mi>β</mi><mo>|</mo><msub><mo>|</mo><mn>1</mn></msub><mo>,</mo></mrow>]]></math><img file="FDA0000829655780000016.GIF" wi="1422" he="166" /></maths>计算出回归系数,非零的回归系数对应肝再细胞增殖相关的重要基因,且回归系数的绝对值越大,该基因与细胞增殖的相关性也就越强。在上述模型中β为变量回归系数,m为正负样本总个数72,y=(1,2,…,72)<sup>T</sup>为时间响应向量,X<sup>(l)</sup>为第l群的系统矩阵,q为特征群的总个数3862,α∈[0,1]为模型正则化系数,λ为通过十重交叉检验方法取出的变量参数为2,p<sub>l</sub>为第l群中的变量数目。 |