基于TCGA和PubMed數(shù)據(jù)庫的高維生物醫(yī)學(xué)數(shù)據(jù)的數(shù)據(jù)挖掘和特征選擇研究.pdf

1、隨著生命科學(xué)領(lǐng)域技術(shù)的飛速發(fā)展，尤其是測序技術(shù)的發(fā)展，使得生物醫(yī)學(xué)數(shù)據(jù)呈現(xiàn)出急劇膨脹的態(tài)勢。生物醫(yī)學(xué)數(shù)據(jù)不但數(shù)據(jù)量巨大，而且具有高維度的特點，特征數(shù)量遠大于觀測量（樣本量）的情況非常普遍。因此，這些數(shù)據(jù)的出現(xiàn)不僅為研究人員帶來了新的機遇，更帶來了新的挑戰(zhàn)。如何挖掘出海量數(shù)據(jù)的關(guān)系鏈成為了研究工作的重點所在。特征選擇指的是從原始數(shù)據(jù)中選擇出一個子集代表原始數(shù)據(jù)的特征，精心設(shè)計的特征選擇方法使得這些特征能夠用于后續(xù)的數(shù)據(jù)挖掘工作。毫不夸張地

2、說，特征選擇之于數(shù)據(jù)挖掘便如同黃沙取金，幾乎任何一個完整的數(shù)據(jù)挖掘工作都避不開這個步驟。所以，本文以特征選擇技術(shù)作為突破點，以兩個重要生物醫(yī)學(xué)問題作為載體，對高維生物醫(yī)學(xué)數(shù)據(jù)相關(guān)的生物信息學(xué)研究方法進行了探索。通過本研究，我們將從多個層面提出不同的特征提取策略，并進一步研究這些策略在實際生物醫(yī)學(xué)問題中的表征效果與預(yù)測能力。本文中發(fā)展的特征選擇方法和結(jié)果能夠為高維生物醫(yī)學(xué)數(shù)據(jù)的處理與分析提供重要參考。
　　特征選擇主要出現(xiàn)在機器學(xué)習(xí)

3、和統(tǒng)計學(xué)領(lǐng)域，指的是從大量變量中篩選出密切相關(guān)變量用于模型構(gòu)建。特征選擇有三個主要優(yōu)勢：簡化模型使之更加易于理解、縮短模型訓(xùn)練時間以及通過減少過擬合來增加模型泛化能力。在實際的研究問題中，變量集合中的大部分變量相對研究問題是屬于冗余信息，刪除它們并不會導(dǎo)致信息量的丟失。所以，對于處理海量高維生物醫(yī)學(xué)數(shù)據(jù)，特征選擇便是不可缺少的一步。正如14世紀的哲學(xué)家Willian所提出的“奧卡姆剃刀”定律：如無必要，勿增實體?？梢哉f，特征篩選，簡化模

4、型乃是海量數(shù)據(jù)處理的靈魂所在。因此，特征選擇對于海量生物醫(yī)學(xué)數(shù)據(jù)的處理是極為關(guān)鍵的一步，也是本文的出發(fā)點所在。
　　目前來說，特征選擇主要有兩類方法，一類是利用數(shù)據(jù)本身的拓撲結(jié)構(gòu)、統(tǒng)計學(xué)信號進行篩選，而另一類則是引入外部知識，例如一些特定領(lǐng)域的背景知識。本文使用TCGA(The Cancer Genome Atlas)數(shù)據(jù)庫中的數(shù)據(jù)綜合嘗試了這兩種方法，用于預(yù)測腫瘤預(yù)后表現(xiàn)的研究。首先，在利用數(shù)據(jù)本身拓撲結(jié)構(gòu)方面，我們重點關(guān)注肝細

5、胞癌的基因和微小RNA診斷標志物的篩選和發(fā)現(xiàn)。在一個網(wǎng)絡(luò)中，度相對較高的節(jié)點稱為“集線器（Hub)”，我們在結(jié)合生存分析技術(shù)并研究預(yù)后生存率相關(guān)分子的拓撲特性后發(fā)現(xiàn)，這些Hub節(jié)點中與肝癌預(yù)后生存相關(guān)的基因更為富集，表明復(fù)雜分子網(wǎng)絡(luò)中的這些Hub節(jié)點更傾向作為判斷肝癌預(yù)后表現(xiàn)的潛在特征，即分子標志物。其次，在引入領(lǐng)域內(nèi)知識方面，我們重點關(guān)注多種腫瘤化療干預(yù)后藥物反應(yīng)的預(yù)測。腫瘤化療失敗的主要原因常常是由于機體內(nèi)發(fā)生腫瘤多藥耐受（Mult

6、iple Drug Resistance,MDR)。耐藥性是一個相對復(fù)雜的過程，通常是由于過度表達耐藥基因編碼的相關(guān)蛋白，通過能量依賴性洗脫泵的作用將化療藥物泵出胞外，從而減弱化療藥物在細胞內(nèi)的聚集作用，導(dǎo)致了機體的耐藥發(fā)生。為此，我們以基因突變?yōu)楸┞兑蛩兀[瘤耐藥為暴露結(jié)果，利用相對風(fēng)險率（Relative Risk，RR)和統(tǒng)計顯著性P-value聯(lián)合篩選，得到八種腫瘤的耐藥相關(guān)的突變基因作為預(yù)后預(yù)測模型的特征集。利用該特征集，我們

7、分別使用三種機器學(xué)習(xí)方法對八類腫瘤樣本的耐藥性進行預(yù)測，表現(xiàn)良好。尤其是在頭頸鱗癌（Head and Neck Squamous Cell Carcinoma,HNSC)中ROC曲線下面積（Area Under the Curve,AUC)能夠達到0.980，表明能夠經(jīng)過領(lǐng)域內(nèi)知識進行特征篩選后的模型可以很好地區(qū)分藥物干預(yù)以后發(fā)生耐藥的患者和藥物敏感的患者，為幫助患者選擇合適的治療方式提供重要參考。除藥物干預(yù)之外，越來越多的研究表明，通

8、過飲食干預(yù)也是調(diào)節(jié)人體健康的重要手段，因此，除研究腫瘤治療預(yù)后之外，我們還嘗試基于PubMed數(shù)據(jù)庫的海量文本數(shù)據(jù)對潛在的對人體健康有益的碳水化合物（又稱為益生元）進行預(yù)測。我們從PubMed數(shù)據(jù)庫中下載15例已知益生元的所有研究文獻，并對其進行特征抽取，用該特征集對待預(yù)測碳水化合物進行建模分析，計算出潛在的益生元名稱列表，這個挖掘方法不僅能夠為其他數(shù)據(jù)挖掘?qū)W者提供參考，預(yù)測出的潛在益生元亦可為研究益生元的學(xué)者們提供一個重要參考清單。<