随机森林算法对基因选择的性能评估,用于识别微阵列数据集中与可切除胰腺癌相关的基因:一项回顾性研究

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 癌症研究 癌症研究

背景情况:

• 微阵列数据通常包含缺失值 (MVs),使基因表达分析复杂化.
• 从大型数据集中识别疾病特异性基因是癌症研究的一个重大挑战.

研究的目的:

• 确定与胰腺癌 (PC) 相关的有效基因.
• 使用归算方法解决基因表达数据中缺失的值.
• 在PC中应用机器学习算法来进行基因选择.

主要方法:

• 使用了GSE14245数据集,其中包括12个PC和12个对照样本.
• 应用折叠改变技术来过29482个基因.
• 采用K-最近邻居 (KNN) 对缺失的基因表达值的归算.
• 使用随机森林算法选择PC相关基因.
• 使用支持矢量机 (SVM) 和天真贝叶斯 (NB) 分类器的分类数据.

主要成果:

• 确定了1185个具有折叠变化的基因> 3.
• 选择了21个与PC相关的非常重要的基因.
• S100P和GPX3被确定为分别具有最高和最低重要性的关键基因.
• 通过SVM (95.5%F-score) 和NB (93%F-score) 实现了高分类准确度.

结论:

• 折叠变化,KNN归算和随机森林的组合有效地识别了PC中的重要基因.
• 随机森林算法是发现新型疾病相关基因的强大工具.
• 这种方法可以发现以前在胰腺癌研究中被忽视的基因.