一种生物标志物筛选方法

摘要

本发明为一种生物信息的数据挖掘方法，属于生物、计算机与数学交叉技术领域。首先根据特征在样本上的分布，计算重叠区域权重O，再计算SVM权重和变量关系得分。MBS采用特征的SVM权重|w_i|、重叠区域权值OA_i和变量关系得分值Score_i综合评价该特征，也作为排名依据，确定参数α₁的最优值后，确定参数α₂的值。本发明研究了变量关系得分，把它和变量重叠区域权值、特征权重一起考察，提供了一种特征综合评价的新方法。最终通过改善特征选择性能，帮助发现生物标志信息。

主权项

一种生物标志物筛选方法，其特征在于以下步骤：(1)设当前特征集合为F，初始时，F包含所有特征，FS为空；maxACC＝0，r＝5；(2)根据特征在样本上的分布，计算每一特征f_i∈F的重叠度OA_i；(3)设定α₂＝0，即不考虑变量关系得分；(4)根据F构建SVM分类模型，计算特征集合F的5倍交叉验证的分类准确率ACC，计算每一特征f_i∈F的|w_i|；(5)若ACC>maxACC，那么maxACC＝ACC，FS＝F；(6)对F中的每一变量f_i，计算其关系得分Score_i；(7)计算特征的综合得分E(i)：$E\left(i\right)=(1-{\alpha }_1)\left|w_{\text{i}}\right|+{\alpha }_1\times O{A}_i+{\alpha }_2\times \sqrt{\mathrm{Scor}{e}_i}$其中，E(i)是特征f_i的综合得分，|w_i|是SVM计算的特征权重，OA_i是特征f_i的重叠度，Score_i是f_i的关系得分，α₁、α₂是参数，分别用于调整特征重叠度和变量关系得分在变量综合评价中的比例，0≤α₁<1，0≤α₂<1；(8)MBS使用E(i)综合评价当前特征集中每一特征的重要性，删除当前特征集中综合评价权重低的r％特征，0<r<100，重复步骤(4)、(5)、(6)、(7)和(8)，直到F为空；(9)α₁在[0,1)的范围内按照步长0.1步进，令F包含初始时所有输入特征，重复步骤(4)、(5)、(6)、(7)和(8)，计算α₁在每个步长选择的特征子集，得到“最优”特征子集时对应α₁的“最优”值；(10)设定α₁为“最优”取值，α₂在[0,1)的范围内按步长0.1步进，F为包含初始时所有输入特征，重复步骤(4)、(5)、(6)、(7)和(8)，计算α₂在每个步长选择的特征子集，得到“最优”特征子集时对应参数α₂的“最优”取值；(11)输出α₁“最优”值和α₂“最优”值时对应的“最优”特征子集FS；所述的变量关系得分Score_i，计算方法如下：a.对一个c>2类问题，当前特征集合为F，p是F中所含特征数量，按照“一对一”准则划分为c(c‑1)/2个两类问题；在每一个两类问题上，按照TSP方法计算变量f_i和F中其他变量f_j的得分Δ_ij；b.计算在c(c‑1)/2个两类问题上变量f_i和F中其他变量的关联性的平均得分：${\mathrm{Score}}_i=\frac{2\times \sqrt{\underset{m=1}{\overset{c\times (c-1)/2}{\Sigma }}\underset{f_j\in F,j\ne i}{\Sigma }{\Delta }_{\mathrm{ijm}}^2}}{c\times (c-1)\times (p-1)}---\left(2\right);$其中，Score_i表示f_i的变量关系得分；f_j是当前特征集合中所有除f_i以外的变量；对f_i和F中其余的每一变量f_j计算二者在每一个2类(m∈{1,2,c(c‑1)/2})问题上的TSP得分；Δ_ijm代表f_i和f_j在第m个2类问题上的TSP得分，Δ_ijm的平方保证TSP得分高的对变量的优势，同时加大TSP得分低的对变量和得分高的对变量的差距；Δ_ijm平方的和的均值让其数值保持在特征权重|w_i|和重叠度权值OA_i的数量级上，让MBS建模时均衡考虑将三者作为特征的综合评价。