機器學習算法在肺腺癌患者吸煙史分類中的應用.pdf

1、機器學習機器學習算法在算法在肺腺癌肺腺癌患者患者吸煙吸煙史分類分類中的應用的應用ApplicationofMachineLearninginSmokingRelatedPatternRecognitionfLungAdenocarcinomas學科專業(yè)：化學工程研究生：王世祥指導教師：宋凱副教授企業(yè)導師：王競陽高級工程師天津大學化工學院2016年5月中文中文摘要摘要隨著大數(shù)據(jù)時代的來臨，海量數(shù)據(jù)的處理問題已成為一個熱點話題，而機器學習算

2、法的不斷發(fā)展與完善，為迎接大數(shù)據(jù)時代的來臨奠定了基礎。目前，機器學習算法在多個領域都得到了廣泛的應用，涉及到的領域包括化工過程控制、氣象數(shù)據(jù)分析、垃圾郵件的識別與過濾以及生物醫(yī)學領域的分析研究等等。面對如此多的海量數(shù)據(jù)，尤其是高通量技術下產生的海量生物醫(yī)學數(shù)據(jù)，如何排除噪聲信息的干擾，找出關鍵信息，提高機器學習算法在癌癥相關研究領域應用的精度和效率是大數(shù)據(jù)時代面臨的一個主要問題之一。吸煙雖然是已知的最主要的肺癌致病因素，但統(tǒng)計數(shù)據(jù)表明，

3、肺腺癌患者中不吸煙患者的比例呈現(xiàn)逐年上升的趨勢。針對吸煙與不吸煙肺腺癌患者發(fā)病機理等差異性的研究逐漸成為世界范圍廣泛關注的熱點問題。本文基于吸煙相關肺腺癌患者全基因組基因表達數(shù)據(jù)、甲基化數(shù)據(jù)，以TCGA數(shù)據(jù)為訓練集，EDRN數(shù)據(jù)為獨立測試集，創(chuàng)新性地結合了多種降維和變量篩選的方法，分別從基因表達差異性、生物相關性以及差異分類重要性等多方面綜合篩選候選基因集，并通過偏最小二乘（PLS）的多重迭代優(yōu)化分類當前吸煙從不吸煙樣本，識別出真正的關

4、鍵特征基因，從而為揭示吸煙與肺腺癌發(fā)生之間的關系以及不吸煙肺腺癌的患病機理奠定基礎，為從基因組水平和分子生物學水平揭示吸煙與不吸煙肺腺癌患者的差異提供依據(jù)。最終應用本文所提出的方法，共確定43個基因表達特征基因以及48個甲基化特征基因，達到了較高的分類精度，訓練集精度分別為79.2%以及87.5%，獨立測試集精度分別為86.3%以及76.4%。同時，特征基因代謝通路分析表明，這些特征基因大多數(shù)與癌癥的發(fā)生發(fā)展以及生物功能、細胞發(fā)育等都有