CN112382342A - 一种基于集成特征选择的癌症甲基化数据分类方法 - Google Patents

Abstract

本发明属于数据处理技术领域，具体涉及一种基于集成特征选择的癌症甲基化数据分类方法，包括下列步骤：输入甲基化位点的癌症和正常样本数据集，所述数据集中，每行表示被测个体，并被标注为正常或者癌症，每列表示特征位点；数据预处理，滤除所述数据集中的各种缺失值；通过集成特征选择方法来实现稳固的差异甲基化位点的选取；基于稳固的差异甲基化位点训练多分类器模型，根据每个分类器的预测结果进行投票，得到最终的分类判别结果；输出最终的分类结果。本发明能有效解决高通量的甲基化数据的差异位点识别以及对于潜在不确定性样本的分类。本发明用于癌症甲基化数据的分类。

Description

一种基于集成特征选择的癌症甲基化数据分类方法

技术领域

本发明属于数据处理技术领域，具体涉及一种基于集成特征选择的癌症甲基化数据分类方法。

背景技术

随着计算机和测序技术的发展，产生了越来越多的大规模生物学数据，如何挖掘其中蕴含的价值是进一步发展精准医疗的重要手段之一。DNA甲基化作为一种广泛研究的表观遗传标记，在肿瘤发生中起着至关重要的作用。高通量测序技术的进步，如Infinium450K平台，使得以单CpG位点分辨率提供基因组规模的DNA甲基化数据成为可能。在此基础上，如何鉴别在正常和癌症样本中具有差异化表达的位点并且借此区分癌症和正常人的表观遗传差异能够提升人类对癌症早期的发现和预防。但是，针对目前能够获得的数据，其样本和位点数量之间极不平衡(大约1:1000)，这就况导致大规模分析癌症病人与正常人之间的甲基化数据变得尤为困难。目前已有基于大规模甲基化数据区分癌症和正常样本的方法，大多基于简单特征预处理加单个分类器，使得难以精确地区别癌症和正常样本，并且难以获得对于区分癌症和正常样本至关重要的差异甲基化位点。

发明内容

针对上述现有的基于大规模甲基化数据区分癌症和正常样本的方法难以精确地区别癌症和正常样本的技术问题，本发明提供了一种分类准确度高、识别能力强、效率高的基于集成特征选择的癌症甲基化数据分类方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于集成特征选择的癌症甲基化数据分类方法，包括下列步骤：

S1、输入甲基化位点的癌症和正常样本数据集，所述数据集中，每行表示被测个体，并被标注为正常或者癌症，每列表示特征位点；

S2、数据预处理，滤除所述数据集中的各种缺失值；

S3、通过集成特征选择方法来实现稳固的差异甲基化位点的选取；

S4、基于稳固的差异甲基化位点训练多分类器模型，根据每个分类器的预测结果进行投票，得到最终的分类判别结果；

S5、输出最终的分类结果。

所述S2中数据预处理的方法为：包括下列步骤：

S2.1、查找数据中的缺失值，若原数据中存在缺失值，滤除包含该缺失值的列或者特征；

S2.2、对不含缺失值的数据进行批次效应的校正；

S2.3、滤除方差最小的位点集，通过计算位点在所有测得的样本中甲基化值的方差，对所有位点按照方差从大到小进行排序，然后舍去排在末尾的1/3左右的位点。

所述S2.2中采用经验贝叶斯EB方法消除批次效应的影响。

所述S3中集成特征选择方法为：包括下列步骤：

S3.1、引入样本多样性，所述样本多样性通过对原始数据进行等比列的多次随机采样，得到不同的样本子集，然后在样本子集上应用特征选择方法以获得不同的特征位点集合；

S3.2、引入函数多样性，即通过在同一个样本子集上应用不同的特征选择方法以获得不同的差异甲基化位点集合；

S3.3、采用多种特征选择方法提取上述两种差异位点集合，每一个样本子集，得到上述两个特征位点子集，取二者的并集，得到每个样本子集对应的特征子集，最后将所有样本子集对应的特征子集再求交集得到稳固的差异位点集合。

所述S4中得到最终的分类判别结果的方法为：包括下列步骤：

S4.1、根据集成特征选择方法的结果，训练逻辑回归，逻辑回归分类器通过最大化似然函数并由sigmoid函数将输出整合到关于{0,1}概率的分布，从而实现对样本的划分；

S4.2、通过支持向量机对于样本的分类，所述支持向量机通过搜寻样本中的支持向量，最大化两类样本的距离实现对样本的划分；

S4.3、通过随机森林分类器对于样本的分类，所述随机森林分类器通过树的结构，根据特征参数的取值大小，逐步实现对样本的划分；

S4.4、针对上述三种分类器的预测结果，通过投票的方式进行整合。

本发明与现有技术相比，具有的有益效果是：

本发明能有效解决高通量的甲基化数据的差异位点识别以及对于潜在不确定性样本的分类。通过集成特征选择方法，能够有效识别输入甲基化数据中稳固的差异甲基化位点，并且基于这些稳固的差异甲基化位点实现对于样本的分类。相比传统基于单一特征选择和单一分类器的方法，本发明在差异位点识别过程中引入集成特征选择，能够获得更可靠且更具区分度的差异甲基化位点，同时多分类器的投票融合方式也能有效提升对于待评估样本的分类准确度。

附图说明

图1为本发明的工作流程图；

图2为本发明的主要步骤示意图；

图3为本发明的集成特征选择方法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于集成特征选择的癌症甲基化数据分类方法，如图1所示，包括下列步骤：

步骤1、以Infinium 450K平台数据为例，输入包含大规模甲基化位点的癌症和正常样本数据集，其中行表示样本即被测个体，并被标注为正常或者癌症，列表示特征即位点；

步骤2、输入数据后，首先进行预处理。第一步为查找数据中的缺失值，若原数据中存在缺失值，考虑到数据维度较高，通过包含几十万个测量位点，因此则滤除包含该缺失值的列或者特征；第二步为对不含缺失值的数据进行批次效应的校正。其中批次效应是指现实中一次测量的样本是有限的，可能要相隔几天或几个月才能测量更多样品，于是***“批量效应”或非生物差异，使得不同批次的样品不直接可比，这种与生物学无关因素的变异可能会导致的数据误差。这里我们使用一种经验贝叶斯(EB)方法，来消除批次效应的影响。EB方法在微阵列问题中表现非常好，因为它们在样品尺寸小时能够鲁棒地处理高维数据。通过EB方法处理过的数据就可以用于后续的计算分析。第三步为滤除方差最小的位点集。这里通过计算每一列特征或者说位点在所有测得的样本中甲基化值的方差，对所有位点按照方差从大到小进行排序，然后舍去排在末尾的1/3左右的位点。一方面，对于方差小的位点，它们在正常和癌症样本中均难以表现出差异，因此无法指导后续的分类；另一方面，滤除方差小的位点可以减少数据的维度，从而在后续的计算分析中节省计算资源。

步骤3、在完成上述的预处理之后，如图3所示，我们通过集成特征选择方法来实现稳固的差异甲基化位点的选取。集成特征选择方法从两个角度出发实现稳固的特征选择，首先，我们引入“样本多样性”，即通过对原始数据进行等比列的多次随机采样，得到不同的样本子集，然后再样本子集上应用特征选择方法以获得不同的特征位点集合；其次，我们引入“函数多样性”，即通过在同一个样本子集上应用不同的特征选择方法以获得不同的差异甲基化位点集合。具体而言，我们结合交叉验证和多特征选择方法来实现稳固的位点集合提取，我们首先使用借鉴多折交叉验证的思想，将预处理完成的数据按原来的正常和癌症样本比例平均分成m份，用其中一份作为测试集评估特征选择结果的分类性能，用剩下m-1份作为训练集作为输入。然后采用多种特征选择方法提取差异位点集合。这里我们使用弹性正则网(ElasticNet)和Relief特征选择算法来实现差异位点集合的提取。前者结合了L1和L2正则化方法，实现不相关特征和冗余特征的滤除，而后者通过特征和分类标签的相关性赋予特征不同的权重来选择与分类结果最相关的特征位点。针对每一个样本子集，我们可以得到两个特征位点子集，然后我们取二者的并集，得到每个样本子集对应的特征子集，最后将将这m个样本子集对应的特征子集再求交集就得到了稳固的差异位点集合。具体的算法原理如图2所示。

步骤4、基于上述获得的稳固的差异甲基化位点集合，我们就可以建立分类模型，用来预测位置样本是否属于癌症还是正常样本。具体而言，根据集成特征选择方法的结果，我们训练逻辑回归，支持向量机以及随机森林分类器实现对于样本的分类。逻辑回归分类器通过最大化似然函数并由sigmoid函数将输出整合到关于{0,1}概率的分布，从而实现对样本的划分。支持向量机则通过搜寻样本中的支持向量，最大化两类样本的距离实现对样本的划分。随机森林则通过树的结构，根据特征参数的取值大小，逐步实现对样本的划分。由于三种分类器从样本属性的不同方面进行分析，并获得对样本的划分，因此它们对同一样本的判定结果可能不一致。因此我们针对上述每种分类器的预测结果，通过投票的方式进行整合。以某次训练过程为例，对某个待评估样本，假设上述三个分类器分别输出正常，正常，癌症三种判定结果，则根据投票的原则，最终对于该样本的预测结果为正常。

步骤5、完成了多种分类器的构建之后，我们就可以针对未知的待评估样本，通过输入甲基化数据实现对于样本属性的预测。

上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于集成特征选择的癌症甲基化数据分类方法，其特征在于：包括下列步骤：

S1、输入甲基化位点的癌症和正常样本数据集，所述数据集中，每行表示被测个体，并被标注为正常或者癌症，每列表示特征位点；

S2、数据预处理，滤除所述数据集中的各种缺失值；

S3、通过集成特征选择方法来实现稳固的差异甲基化位点的选取；

S4、基于稳固的差异甲基化位点训练多分类器模型，根据每个分类器的预测结果进行投票，得到最终的分类判别结果；

S5、输出最终的分类结果。

2.根据权利要求1所述的一种基于集成特征选择的癌症甲基化数据分类方法，其特征在于：所述S2中数据预处理的方法为：包括下列步骤：

S2.1、查找数据中的缺失值，若原数据中存在缺失值，滤除包含该缺失值的列或者特征；

S2.2、对不含缺失值的数据进行批次效应的校正；

S2.3、滤除方差最小的位点集，通过计算位点在所有测得的样本中甲基化值的方差，对所有位点按照方差从大到小进行排序，然后舍去排在末尾的1/3左右的位点。

3.根据权利要求2所述的一种基于集成特征选择的癌症甲基化数据分类方法，其特征在于：所述S2.2中采用经验贝叶斯EB方法消除批次效应的影响。

4.根据权利要求1所述的一种基于集成特征选择的癌症甲基化数据分类方法，其特征在于：所述S3中集成特征选择方法为：包括下列步骤：

S3.1、引入样本多样性，所述样本多样性通过对原始数据进行等比列的多次随机采样，得到不同的样本子集，然后在样本子集上应用特征选择方法以获得不同的特征位点集合；

S3.2、引入函数多样性，即通过在同一个样本子集上应用不同的特征选择方法以获得不同的差异甲基化位点集合；

S3.3、采用多种特征选择方法提取上述两种差异位点集合，每一个样本子集，得到上述两个特征位点子集，取二者的并集，得到每个样本子集对应的特征子集，最后将所有样本子集对应的特征子集再求交集得到稳固的差异位点集合。

5.根据权利要求1所述的一种基于集成特征选择的癌症甲基化数据分类方法，其特征在于：所述S4中得到最终的分类判别结果的方法为：包括下列步骤：

S4.1、根据集成特征选择方法的结果，训练逻辑回归，逻辑回归分类器通过最大化似然函数并由sigmoid函数将输出整合到关于{0,1}概率的分布，从而实现对样本的划分；

S4.2、通过支持向量机对于样本的分类，所述支持向量机通过搜寻样本中的支持向量，最大化两类样本的距离实现对样本的划分；

S4.3、通过随机森林分类器对于样本的分类，所述随机森林分类器通过树的结构，根据特征参数的取值大小，逐步实现对样本的划分；

S4.4、针对上述三种分类器的预测结果，通过投票的方式进行整合。

Images