7、基于线性可分基因和基因对的新型基因子集选择方法

基于线性可分基因和基因对的新型基因子集选择方法

1 引言

DNA微阵列能够同时获取单个组织样本、特定条件或时间点下数千个基因的表达水平。不过，微阵列数据集往往存在噪声，且在测量大量基因的情况下样本量较小。这些数据集给样本分类算法带来了诸多挑战，因为许多基因对于当前的学习问题而言是有噪声、无关或冗余的。

基因子集选择方法近年来备受关注，它比特征提取方法更适合降维，因为特征提取得到的特征难以解释。基因子集选择问题旨在找到一个最小的基因子集，其表达值能使样本分类达到最高的准确率。目前，已有多种解决该问题的方法：
- 过滤法 ：先根据单个基因区分不同类别的能力对其进行排序，然后选择排名前r的基因作为子集。这里的r是使用该子集时能产生最佳分类准确率的最小整数。许多基因排序标准基于不同原则，如冗余性和相关性。过滤法简单快速，但不一定能产生最佳的基因子集。
- 包装法 ：不考虑基因的排名，直接评估基因子集。这类方法基于启发式搜索，通过分类器在所选基因子集上的性能来指导搜索。
- 结合法 ：结合基因排名和包装法，但计算量较大。

近年来，一些研究者开始将基因对作为特征用于过滤法。使用基因对而非单个基因的动机在于，两个基因组合起来可能比单个基因更能有效区分类别，即使其中一个或两个基因在单基因排名函数中的排名较低。

本文提出使用线性可分的单个基因（LS - 基因）和线性可分的基因对（LS - 对）作为特征来寻找最佳基因子集。我们为LS - 基因和LS - 对提出了排名标准，以评估它们区分类别的能力，并设计了从排名靠前的LS - 基因和LS