2、微阵列数据中的基因选择

微阵列数据中的基因选择

1. 引言

随着分子生物学的发展，微阵列技术已成为基因表达数据分析的重要工具。微阵列数据的特点是包含大量的基因（属性）和少量的样本，这使得传统的数据挖掘算法难以获得良好的性能。此外，分子生物学研究表明，一些特征（如癌症的发生）通常只在一小群基因相互关联时出现。因此，如何从海量基因数据中选择出与特定特征相关的基因子集，成为提高数据挖掘算法性能的关键问题。

本章讨论了使用属性选择技术来定义与特定特征（如癌症发生）相关的基因子集。通过结合搜索方法和评估程序，展示了数据挖掘算法的速度加快，挖掘性能（如预测准确性）得到提高，并且在大多数组合中结果的可理解性变得更加容易。属性选择不仅减少了不相关的、冗余的或有噪声的数据，还为应用程序带来了直接的效果：加快数据挖掘算法的速度，提高挖掘性能，如预测准确性和结果的可理解性。

2. 相关工作

在过去的几十年中，微阵列数据分析经历了从统计方法到机器学习技术的转变。早期的研究主要使用统计方法来探索基因之间的关系以及它们与疾病的联系。随着机器学习技术的发展，研究人员开始使用这些技术来确定可以从微阵列实验中提取多少信息。例如，支持向量机（SVM）、决策树（如C4.5）、贝叶斯网络等算法被广泛应用于微阵列数据的分类和聚类。

2.1 早期统计方法

早期的研究主要依赖于统计方法，如ANOVA（方差分析），来识别与特定特征相关的基因。然而，这些方法在处理大量基因和少量样本时存在局限性，无法充分挖掘数据中的潜在信息。

2.2 机器学习技术

近年来，机器学习技术在微阵列数据分析中得到了广泛应用。例如，支持向量机（SVM）因其在高维数据上