LoG矩阵分解的肿瘤基因特征提取方法

伴随着基因芯片的发展,通过研究海量的基因表达谱数据来识别肿瘤已成为生物信息学研究的热点.提出一种基于LoG(Laplace of Gaussian)矩阵分解的肿瘤基因特征提取方法,该方法首先将样本数据映射为高维空间中的点,然后构建点与点之间的LoG矩阵,在保留样本分类信息的情况下,使得无结构信息的基因表达谱数据变成具有结构信息的图,再对LoG权值矩阵进行非负矩阵分解得到能够表征样本特征的特征分量,最后用KNN对样本进行分类.通过对白血病和结肠癌基因表达谱数据的特征提取,验证该文方法的可行性和有效性.     

基于点的代数连通强度和非负矩阵分解的肿瘤基因分类

随着DNA微列阵技术的发展,利用基因表达谱数据进行生物信息的有效挖掘已经成为研究热点.因此,该文中提出将点的代数连通强度与非负矩阵分解相结合的方法对基因表达数据进行分类处理.首先利用点的代数连通强度剔除受外界因素影响过大的基因数据并用修正的特征计分准则进行计分排序,选取具有高计分的基因子集;接着利用近来流行的非负矩阵分解将该基因子集映射到极低维的特征空间;最后利用SVM分类器实现分类实验.通过几组公开的基因表达谱数据集的实验结果以及与其他方法的对比分析,验证了该方法是有效的、可行的.     

基于邻接谱主分量分析的肿瘤分类方法

基于谱图理论展开针对基因表达谱数据的分类研究,将反映图结构的特征表示引入到基因表达谱数据分类中,从而高维空间离散点分布问题便可以转化成为具有结构信息的图问题.文中对基因表达谱数据样本点构造高斯权邻接矩阵,SVD分解后,采用特征记分准则进行筛选,找出最大限度区分肿瘤样本与正常样本的主分量作为样本特征,输入KNN分类器进行分类,通过对白血病两个亚型(ALL与AML)与结肠癌表达谱数据进行实验,证明了文中方法的可行性与有效性.     

一种基于邻域不定性信息和记分准则相结合的肿瘤特征基因提取方法

基于基因表达谱的特征基因提取方法已经成为当今研究肿瘤分子诊断的热点,该文中提出了一种基于邻域不定性信息与记分准则相结合的肿瘤特征基因提取方法,该方法首先通过邻域不定性信息确定每个样本的邻域信息量,然后使用记分准则提取特征基因,最后利用KNN对样本进行分类.通过对白血病和弥漫性大B细胞淋巴瘤基因表达谱数据的特征选择,验证了该文方法的有效性和可靠性.     

基于双正交非负矩阵三因式的肿瘤识别

基因表达谱数据分析已经逐渐成为疾病诊断和分类的常规步骤.目前人们对NMF(nonnegative matrix factorization)的大多数研究都专注于二因式分解.论文另辟蹊径,对BONMTF(bi-orthogonal nonnegative matrix tri-factorization)算法进行了系统化的分析,利用此算法得到表征样本属性的矩阵,并将其应用于基因表达谱数据分析,提高了样本识别率.实验采用4组具有代表性的肿瘤基因表达谱数据,其结果证明了论文方法针对不同数据集的识别率都比传统方法有所提高,具有一定的可行性及应用前景.     

基于模糊区分矩阵的结直肠癌基因选择

由于低分化肿瘤很难通过常规组织病理学诊断发现,而结合基因检测的手段可以准确筛选出针对特定肿瘤的致病基因,因此基因选择是进行肿瘤分类和临床治疗的关键问题.肿瘤基因表达数据具有样本小、维度高的特征,现有的基因选择算法在分类精度和计算效率上还有待提高.在模糊粗糙集理论的基础上进行区分矩阵模糊化,并依此设计了模糊区分矩阵属性约简算法.相比于经典的区分矩阵,模糊化的区分矩阵能够体现不同属性对于两个对象区分程度的差异,从而选择区分程度更高的属性而获得更好的分类效果.数值实验表明该方法提高了肿瘤基因数据的分类精度,且降低了计算耗时.实验采用kNN分类器进行结直肠癌(Colon Microarray)分类特征基因选择实验,从2000个特征基因中筛选出了五个结直肠癌发病相关的关键基因,且分类精度高达88. 06%.     

基于NMF技术探寻早期AD基因表达调控网络

利用非负矩阵分解(NMF)技术,依据加强算法的稀疏性对患早期阿尔茨海默症(AD)样本的基因表达数据进行分析,提取对疾病早期诊断具有重要意义的显著基因,样本分类实验结果证明了算法的有效性.在此基础上,结合与炎症反应有重要关系的NF-κB等基因初步建立了与早期AD密切相关的基因表达调控网络结构图,为AD致病机理的探询、早期诊断与治疗等提供了有益的途径和方法.     

基于非负矩阵分解与邻接谱的图像分类

提出了一种非负矩阵分解（non-negative matrix factorization,NMF）和邻接谱相结合的图像分类方法．该方法首先利用图像中的特征点构造邻接矩阵,然后使用邻接谱作为非负矩阵分解迭代规则的初始值,并将经过非负矩阵分解得到的基向量作为图像的分类样本,最后采用概率神经网络（probabilistic neural network,PNN）分类器对图像进行分类．模拟实验和真实实验的比较表明,该方法是可行和有效的,并且进一步提高了图像分类的准确率和稳定性．     

基于INCA的肿瘤基因表达谱分类模型

针对NCA算法对初始值敏感的不足,提出一种改进的NCA算法(INCA).INCA对肿瘤基因表达谱进行奇异值分解,将标准化后的右奇异矩阵作为初始值,提取肿瘤基因表达谱中的分类信息.在4个标准肿瘤基因表达谱数据集上进行实验,以INCA作为特征提取方法,K-近邻、Parzen窗作为分类器进行分类检测.实验结果表明,与NCA及现有的分类模型相比,基于INCA的分类模型能够取得较高的分类准确率.     

基于非负矩阵分解技术探寻早期阿尔茨海默症基因表达调控网络

本文利用非负矩阵分解(NMF)技术,依据加强算法的稀疏性对患早期阿尔茨海默 症(Alzheimer’s Disease,AD)样本的基因表达数据进行了分析,提取了对疾病早期诊断具有重 要意义的显著基因,样本分类实验结果证明了算法的有效性。在此基础上,结合与炎症反应 有重要关系的 NF-κB 等基因初步建立了与早期 AD 密切相关的基因表达调控网络结构图, 为 AD 致病机理的探询、早期诊断与治疗等提供了有益的途径和方法。     

极化目标分解在目标分类中的应用

极化目标分解是从极化SAR数据中提取目标特征的重要方法,可以将其概括为两大类:基于S inc lair矩阵的相干目标分解和基于Mueller矩阵、相干矩阵、协方差矩阵的部分相干目标分解.利用相干目标分解中的基于Pau li矩阵分解法、Krogager分解法和Cam eron分解法,对实测极化SAR数据进行分类实验,结果表明极化目标分解对于从极化SAR数据中提取目标特征,进而对其进行分类是可行和有效的.     

Prediction of Tumor Outcome Based on Gene Expression Data

Gene expression mieroarray data can be used to classify tumor types.We proposed a new procedure to classify human tumor samples based on mieroarray gene expressions by using a hybrid supervised learning method called MOEA WV(Multi-Objective Evolutionary Algorithm Weighted Voting).MOEA is used to search for a relatively few subsets of informative genes from the high-dimensional gene space,and WV is used as a classification tool.This new method has been applied to predicate the subtypes of lymphoma and outcomes of medulloblastoma.The results are relatively accurate and meaningful compared to those from other methods.     

癌症基因表达数据的熵度量分类方法

基因芯片技术的出现和发展为生物医学领域带来了深远影响,运用分类方法研究其产生的海量数据对癌症的分类及治疗有重要意义.该文提出一种利用熵度量作为指标进行癌症基因表达数据特征提取的方法.首先对基因表达数据进行筛选并计算各个基因的熵,然后提取出熵最大的若干基因作为特征基因,并用支持向量机进行分类.对前列腺癌基因表达数据的留一法以及分组法实验都证明了该方法的有效性.     

基于PCA和信息增益的肿瘤特征基因选择方法

针对肿瘤基因数据因维度高和冗余基因较多而导致分类精度低的问题,提出一种基于PCA和信息增益的肿瘤特征基因选择方法.该方法首先使用PCA算法剔除冗余基因,获得预选特征基因子集;然后利用信息增益算法对预选特征基因子集进行优化选取,得到特征基因子集;最后采用不同分类模型对特征基因子集进行仿真实验.实验结果表明,所提方法提高了基因表达谱的分类精度,从而表明致病基因被有效地选取出来.     

基于Normalized Cut的基因表达数据聚类

利用基因表达数据进行聚类分析可提高肿瘤诊断的正确率,对生物医学研究具有重要意义.该文将Normalized Cut应用于基因表达数据的聚类中,将样本映射为高维空间的点,利用亲近矩阵和度矩阵构造正规Laplacian矩阵,经SVD分解得到反映原始样本类别信息的指示向量,利用指示向量各分量的符号差异实现基因表达数据的聚类.通过对白血病和结肠癌数据集的实验,证明了该文方法的有效性.     

基于SAM和GA／SVM的肿瘤基因表达谱分类算法

基因芯片技术在肿瘤分型分类的研究中得到了广泛的应用．为了处理肿瘤基因表达谱数据,建立肿瘤分类预测模型,文中采用基因表达差异显著性分析方法,支持向量机,遗传算法相结合的多步骤降维分类方法．采用该方法处理大肠癌和白血病数据集,筛选到基因数量较少并且分类准确度较高的特征基因子集．实验结果表明,文中的方法可以快速有效地筛选肿瘤特征基因,获得更好的分类效果．     

基于NSST域的改进加权非负矩阵分解的图像融合

针对加权非负矩阵分解中算法复杂度较高的问题,提出一种基于加权非负矩阵分解和双通道脉冲耦合神经网络的图像融合的改进算法。首先,对已经配准的两个源图像进行非下采样Shearlet变换;然后,对于图像低频子带,采用改进的WNMF的算法,动态更新权值矩阵,更好地提取图像特征信息。对于高频子带,采用改进双通道脉冲耦合神经网络的算法,链接强度值采用块的梯度值,更好地保留图像的微小细节信息;最后,经过非下采样Shearlet的逆变换得到融合图像。实验表明,将加权非负矩阵分解与双通道脉冲耦合神经网络相结合,不仅能很好的提取图像的特征信息,保留更多细节信息;同时双通道的脉冲耦合神经网络的方法能提高算法运行效率。