應(yīng)用數(shù)據(jù)挖掘算法研究多發(fā)性硬化癥基因表達(dá)譜.pdf

1、背景與目的:多發(fā)性硬化癥(multiple sclerosis)是一種慢性、炎癥性中樞神經(jīng)系統(tǒng)失調(diào)疾病,其臨床癥狀主要表現(xiàn)為病灶性脫髓鞘、軸突損傷和髓鞘再生受限。大多數(shù)多發(fā)性硬化癥患者的發(fā)病結(jié)局是慢性多病灶性硬化斑塊。多發(fā)性硬化癥的群體發(fā)病率在全球范圍的分布不均勻,依不同國家和特定族群發(fā)病率介于每十萬人中兩人至一百五十人之間。不同族群的多發(fā)性硬化癥發(fā)病率的差異反映了該病的遺傳易感基因在不同群體的差異分布。遺傳性因子在多發(fā)性硬化癥發(fā)生過程

2、中的作用非常重要,并受到環(huán)境因素的影響。現(xiàn)有研究缺乏對多發(fā)性硬化癥特征基因的了解。雖有一些研究利用基因芯片技術(shù)探索多發(fā)性硬化癥的基因表達(dá)模式,但大多數(shù)研究所識別基因的數(shù)目較多,在實際中難以應(yīng)用。對多發(fā)性硬化癥的具有重要生物功能的特征基因進(jìn)行研究是更好地了解該疾病發(fā)病機制的途徑。在臨床上,腰椎穿刺或核磁共振成像掃描大腦是當(dāng)前主要的多發(fā)性硬化癥臨床診斷方式,但這兩種診斷方式具有損傷性和費用昂貴的缺點。本研究應(yīng)用數(shù)據(jù)挖掘算法分析多發(fā)性硬化癥基

3、因表達(dá)譜,尋找與多發(fā)性硬化癥潛在相關(guān)的基因,并基于所識別的基因構(gòu)建數(shù)學(xué)模型對樣本進(jìn)行分類,評估模型的分類性能,并確定性能最優(yōu)的樣本分類模型,以輔助臨床上對多發(fā)性硬化癥樣本的判定。
　　材料與方法:本研究以公共的多發(fā)性硬化癥基因表達(dá)譜數(shù)據(jù)庫作為基礎(chǔ)。首先,從基因表達(dá)數(shù)據(jù)庫GEO獲得支持?jǐn)?shù)據(jù)源,并對基因表達(dá)譜數(shù)據(jù)集進(jìn)行預(yù)處理,主要包括背景校正、歸一化和過濾等步驟。接著,使用多種特征選擇算法篩選疾病特征基因。特征選擇算法的基本任務(wù)是從眾

4、多特征中抽取出那些對分類識別最有效的特征,進(jìn)而實現(xiàn)特征空間維數(shù)的壓縮,實際上是尋找將一個高維空間變換為低維空間的最優(yōu)映射。本研究綜合地應(yīng)用三種著名的特征選擇算法(遞歸特征刪除法、ROC特征選擇算法與Boruta算法),產(chǎn)生一個特征基因篩選的混成算法程序,識別出一組穩(wěn)定的多發(fā)性硬化癥關(guān)聯(lián)基因。然后,應(yīng)用生物信息學(xué)工具對基因的功能進(jìn)行分析。最后,根據(jù)所篩選的基因,構(gòu)建多種疾病分類預(yù)測模型,用交叉驗證方法評估模型,并最終確定最優(yōu)的疾病分類模型

5、,并使用面對對象語言編寫界面操作軟件,用于新樣本數(shù)據(jù)分類預(yù)測。
　　結(jié)果:綜合地應(yīng)用特征選擇算法對預(yù)處理后的數(shù)據(jù)集篩選重要基因,根據(jù)特征算法對基因重要性的排序結(jié)果,在第一個數(shù)據(jù)集和第二個數(shù)據(jù)集中分別確定八個和二十三個基因多發(fā)性硬化癥潛在相關(guān)基因。對兩個不同數(shù)據(jù)集進(jìn)行基因集合取交集運算,計算結(jié)果顯示基因TNFSF10是重疊的基因。通過應(yīng)用GeneCard生物信息數(shù)據(jù)庫分析該基因的生物學(xué)功能,進(jìn)一步確定基因TNFSF10與多發(fā)性硬化癥

6、的密切關(guān)系。本研究通過數(shù)據(jù)挖掘技術(shù)和生物信息學(xué)分析方法也發(fā)現(xiàn)基因Ccr3與多發(fā)性硬化癥的相關(guān)性高?；騎NFSF10和Ccr3分別涉及的生物功能包括細(xì)胞因子激活、信號轉(zhuǎn)導(dǎo)激活等,參與的生物過程涉及包括介導(dǎo)細(xì)胞凋亡、信號傳導(dǎo)、炎性反應(yīng)等。在所識別的基因中,其余基因?qū)Χ喟l(fā)性硬化癥樣本的分類性能良好,它們與多發(fā)性硬化癥的關(guān)聯(lián)性證據(jù)有待進(jìn)一步挖掘。對數(shù)學(xué)模型的分類性能進(jìn)行驗證評估后,確定了支持向量機模型為分類性能最優(yōu)的疾病樣本分類器,以本研究的

7、整個數(shù)據(jù)挖掘框架為基礎(chǔ),設(shè)計和開發(fā)一個界面操作軟件cMS。
　　結(jié)論:(1)疾病的基因表達(dá)譜數(shù)據(jù)是海量的,包含成千上萬個的基因。數(shù)據(jù)挖掘技術(shù)可以分析疾病的基因表達(dá)譜,有效地識別疾病的特征基因。
　　(2)本研究通過數(shù)據(jù)挖掘算法甄別了兩個基因TNFSF10和Ccr3,它們與多發(fā)性硬化癥密切相關(guān)。
　　(3)基因TNFSF10和Ccr3的生物功能分別涉及細(xì)胞因子激活、信號轉(zhuǎn)導(dǎo)激活等,參與的生物過程涉及包括介導(dǎo)細(xì)胞凋亡、信號