基因表达数据中加权SAM法的基因选择和分类预测研究

• 作者: 任雨冬 陆震 李婧惟 刘艳
• 来源期刊: 实用预防医学
• 关键词: SAM 基因表达数据 基因选择 分类预测
• 年，卷（期）: 2020,（12）
• 所属期刊栏目: 方法研究|Research method
• 页码范围: 1537-1540
• 页数: 4页
• 分类号: R181.2
• 语种: 中文
• DOI: 10.3969/j.issn.1006-3110.2020.12.036

摘要

目的 使用高斯核函数和欧式距离函数改进微阵列显著分析法(significance analysis of microarray,SAM)得到MSAM1 法(modified significance analysis of microarray-1,MSAM1)和 MSAM2法(modified significance analysis of microarray-2,MSAM2),与SAM 法、Relief 法、支持向量机递归特征消除法(support vector machine recursive feature elimination,SVM-RFE)进行对比,评价在基因表达数据中MSAM1法、MSAM2法的基因选择和分类预测能力.方法 从Bioconductor中的golubEsets包获得leukemia数据集(Golub等人给出了该数据集所包含的50个差异基因),运用R软件实现5种算法,分别用正确率和ROC曲线下面积即AUC值评价基因选择能力和分类预测能力,用Kruskal-Wallis H检验比较5种方法的正确率和AUC:值的组间差异,进一步的两两比较采用SNK-q检验.结果 正确率和AUC值均表现为MSAM1和MSAM2最优,SAM和SVM-RFE法次之,Relief法排在最后;5种方法的组间差异有统计学意义(H=150.333,P＜0.0001和H=293.2579,P＜0.0001),两两比较结果显示虽然MSAM1和MSAM2之间差异无统计学意义(P＞0.05),但两种方法与其他3种方法之间差异均有统计学意义(P＜0.05).结论 用高斯核函数和欧式距离函数改进的加权SAM法提高了SAM法的基因选择和分类预测能力,在实际基因表达数据的应用中可以得到更为稳定的分析结果.