基于群体智能的特征选择算法在SELDI质谱数据分析中的研究

摘要

特征选择是生物信息学各个应用领域建模任务的前提。这些领域如生物序列分析、微阵列数据分析及质谱数据分析等都存在高维小样本和内部空间疏散的特性，由于小样本数据存在其固有的危险:不精确和过拟合，因而数据分析面临着巨大的挑战。结合生物信息学应用领域这些具体的特点，各种新的稳定行和鲁棒性好的特征选择算法不断地被提出。
　　 质谱技术能够检测生物样本(组织和细胞抽取物、血液、尿液等)，获得样本中目标蛋白的分子量。因此，该方法能够识别出与疾病相关的模式，从而为寻找疾病标记物、特异的治疗疾病的靶分子、药物开发和疾病的诊断、治疗等提供重要的、直接的线索。
　　 本文系统地研究了SELDI-TOF质谱的数据分析，并将群体智能优化算法结合支持向量机( SVM)应用于质谱数据分析的生物标记物特征选择中。主要工作分为以几个方面:
　　 1)对国际上目前的研究前沿SELDI-TOF质谱技术进行理论研究，归纳了比较了SELDI-TOF质谱数据分析中的预处理方法和生物标记物选择方法，并总结了质谱技术存在的问题和发展方向。
　　 2)对群体智能算法，特别是蚁群算法(ACO)、粒子群算法(PSO)，及对应的改进算法的基本原理进行研究，为以后的学习应用提供了理论基础。
　　 3)将特征的权重因子作为ACO算法搜索过程中的先验信息，结合支持向量机(SVM)用于筛选血清蛋白相关生物标记物，该方法建立的癌症诊断模型取得了较好的分类性能测试仿真结果。
　　 4)将基于量子粒子群算法(QPSO)、ACO算法和粒子群算法(PSO)分别与SVM结合，并将建立的诊断模型用于生物标记物的选择。通过实验表明，基于量子粒子群算法建立的模型不仅具有良好的预测精度而且在速度上有大幅的提高，因此，具有一定的理论意义和实用价值。
　　 最后对本论文的主要研究成果进行了总结，并对有待进一步研究的方向进行了展望。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 选题背景及意义

1.2 蛋白质组学概况

1.3 特征选择研究概况

1.4 群体智能算法研究概况

1.5 论文的主要工作

第二章 SELDI—TOF质谱数据分析

2.1 SELDI—TOF—MS蛋白质芯片系统组成及原理

2.2 SELDI—TOF质谱分析步骤

2.3 SELDI—TOF质谱的研究趋势

2.4 SELDI—TOF质谱技术预处理技术研究

2.4.1 常见预处理方法介绍

2.4.2 预处理算法比较

第三章 特征选择算法的基本特性研究

3.1 特征选择算法的结构

3.2 特征选择算法的伪代码

3.3 质谱分析中的特征选择技术

3.3.1 常用特征选择技术概述

3.3.1 t-检验法

3.3.3 遗传算法

3.3.4 神经网络

3.4 特征选择算法的选用

第四章 群体智能算法及其改进

4.1 基本蚁群算法

4.2 几种改进蚁群算法

4.2.1 蚁群系统

4.2.2 最大—最小蚁群系统

4.2.3 多态蚁群算法

4.2.4 其他的改进蚁群优化算法

4.3 基本粒子群算法

4.3.1 算法原理

4.3.2 算法流程

4.4 几种改进粒子群算法

4.4.1 带有惯性因子的粒子群算法

4.4.2 带有收缩因子的粒子群算法

4.4.3 基于遗传思想改进粒子群算法

4.4.4 其他的改进粒子群优化算法

4.4.5 量子行为粒子群优化算法

第五章 群体智能算法在SELDI-TOF质谱数据分析中应用

5.1 肿瘤早期诊断

5.2 基于ACO-SVM在SELDI质谱数据中的应用

5.2.1 实验数据

5.2.2 数据预处理

5.2.3 ACO-SVM特征选择算法

5.2.4 实验结果及分析

5.3 基于QPSO-SVM在SELDI质谱数据中的应用

5.3.1 PSO-SVM算法流程设计

5.3.2 QPSO-SVM算法流程设计

5.3.3 实验结果及分析

5.4 小结

总结与展望

致谢

参考文献

附录： 作者在攻读硕士学位期间发表的论文