75、微阵列数据处理：缺失值估计与特征子集选择

微阵列数据处理：缺失值估计与特征子集选择

微阵列数据缺失值估计

背景与问题提出

微阵列技术能够检测多种条件下数千个基因的表达水平，在众多生物学研究中得到了成功应用。然而，微阵列数据中常常存在缺失值，这可能是由于分辨率不足、玻片划痕、灰尘或杂交错误等原因导致的。许多多元分析方法，如支持向量机（SVMs）、主成分分析（PCA）和奇异值分解（SVD），难以直接应用于含有缺失值的数据。重复实验虽然是一种解决方案，但由于经济原因和生物材料的限制，往往不可行。因此，估计这些缺失值是基因表达数据分析中重要的预处理步骤。

现有方法

目前存在一些估计缺失值的方法：
- 简单方法 ：用零（ZEROimpute）或行（或基因）/列（或样本）平均值（ROWaverage）填充缺失值。
- 高级方法 ：Troyanskaya 等人提出了基于 SVD 的方法（SVDimpute）和加权 k - 最近邻（KNNimpute）；近期还引入了贝叶斯 PCA（BPCA）、最小二乘插补（LSimpute）和局部最小二乘插补（LLSimpute）等方法。

偏最小二乘回归（PLS）

偏最小二乘回归（PLS）是一种新颖的多元数据分析方法，在化学计量学领域广泛应用。与普通多元线性回归相比，PLS 具有许多优势，例如可以避免解释变量共线性对建模的有害影响，以及在观测值数量少于解释变量数量时进行回归等。

PLSimpute 方法

本文提出了一种基于偏最小二乘回归的缺失值估计方法，称为 PLSimpute。该方法主要包括以