半监督多标记学习的基因功能分析

传统的机器学习主要解决单标记学习，即一个样本仅有一个标记．在生物信息学中，一个基因通常至少具有一个功能，即至少具有一个标记，与传统学习方法相比，多标记学习能更有效地识别生物相关基因组的功能．目前的研究主要集中在监督多标记学习算法．然而，研究半监督多标记学习算法，从已标记和未标记的基因表达数据中学习，仍然是未解决问题．提出一种有效的基因功能分析的半监督多标记学习算法SML_SVM首先，SML_SVM根据PT4方法，将半监督多标记学习问题转化为半监督单标记学习问题，然后根据最大后验概率原则（MAP）和K近邻方法估计未标记样本的标记，最后，用SVM求解单标记学习问题．在yeast基因数据和genbase蛋白质数据上的实验表明，SML_SVM性能比基于PT4方法的MLSVM和自训练MLSVM更优．