運(yùn)用近鄰傳播聚類分析進(jìn)行SELDI-TOF 蛋白質(zhì)譜特征選擇

楊合龍 祝 磊 韓 斌 厲力華* 鄭智國(guó) 孟旭莉(杭州電子科技大學(xué)生命信息與儀器工程學(xué)院，杭州 3008)

2(浙江省腫瘤研究所，杭州 310022)

引言

隨著高通量蛋白質(zhì)組學(xué)的發(fā)展，基于蛋白質(zhì)組學(xué)的質(zhì)譜技術(shù)可以使癌癥在發(fā)生的早期階段被發(fā)現(xiàn)和及時(shí)治療，從而大大提高了癌癥患者的治愈率［1］。研究表明，在眾多蛋白質(zhì)中，只有少數(shù)與某種特定疾病有關(guān)，這些少數(shù)特定的蛋白質(zhì)被稱為生物標(biāo)志物(biomarker)［2］。近年來(lái)，研究者利用各種方法來(lái)尋找這些生物標(biāo)志物［3］。表面增強(qiáng)激光解析電離飛行時(shí)間質(zhì)譜(surface enhanced laser desorption/ ionization time-of-flight mass spectrometry，SELDI-TOF MS)技術(shù)是目前最為可行的蛋白組學(xué)技術(shù)之一。一份SELDI-TOF 樣本數(shù)據(jù)的特征維數(shù)可達(dá)上萬(wàn)維，而樣本數(shù)量一般僅為幾十到上百例，這從模式識(shí)別的角度被稱為“維數(shù)災(zāi)難”［4］。因此，如何有效地降低特征維數(shù)，去除不相關(guān)的蛋白質(zhì)位點(diǎn)，進(jìn)而篩選出生物標(biāo)識(shí)物，是蛋白質(zhì)組學(xué)的一個(gè)熱點(diǎn)問題［5］。

聚類分析是一種通過計(jì)算數(shù)據(jù)之間的相似性來(lái)將數(shù)據(jù)分類的技術(shù)，已經(jīng)在基因微陣列數(shù)據(jù)分析中得到了成功應(yīng)用，對(duì)于降低特征維數(shù)和去除特征間相關(guān)性效果顯著。Hancer 等利用K-means 聚類算法對(duì)原始的基因微陣列數(shù)據(jù)集進(jìn)行聚類，然后計(jì)算每一個(gè)類中的平均強(qiáng)度作為“原型基因”參加最后的樣本分類過程，但不是所有的“原型基因”都與樣本分類相關(guān)，因此必然會(huì)引入冗余從而影響分類結(jié)果［6］。Wang 等利用分級(jí)聚類算法進(jìn)行聚類，數(shù)據(jù)形成一個(gè)樹枝狀圖，通過在不同強(qiáng)度下剪切樹枝狀圖，將數(shù)據(jù)分成不同的類，在每一個(gè)類中選出一個(gè)最有代表性的數(shù)據(jù)，但是算法的復(fù)雜性較高，運(yùn)算強(qiáng)度較大［7］。對(duì)于蛋白質(zhì)質(zhì)譜數(shù)據(jù)，Yang 等設(shè)計(jì)一個(gè)迭代算法，通過30 次的迭代來(lái)克服K-means 聚類算法的隨機(jī)性和不穩(wěn)定性［8］，之后再利用遺傳算法(GA)［9］來(lái)提取生物標(biāo)志物，迭代算法的計(jì)算強(qiáng)度較大，雖然已進(jìn)行了迭代，但算法中仍存在不穩(wěn)定因素。

為得到較好的分類結(jié)果，避免算法的隨機(jī)性和不穩(wěn)定性，本研究提出一種基于近鄰傳播聚類分析的特征選擇方法。首先，通過t-test 對(duì)數(shù)據(jù)進(jìn)行初篩;然后，運(yùn)用近鄰傳播聚類分析和零空間LDA(null space linear discriminant analysis)［10］，對(duì)數(shù)據(jù)進(jìn)行降維，同時(shí)降低特征間的相關(guān)性;最后，利用

SVM-RFE(support vector machine recursive feature elimination)進(jìn)行特征選擇，挑出最具有判別意義的蛋白質(zhì)位點(diǎn)。在卵巢癌公共數(shù)據(jù)集OC-WCX2a、OC-WCX2b 和浙江省腫瘤醫(yī)院乳腺癌臨床數(shù)據(jù)集BC-WCX2a 上的實(shí)驗(yàn)結(jié)果表明，該方法不但能降低數(shù)據(jù)維數(shù)，獲得較高的分類率，而且還確定了具有判別意義的蛋白位點(diǎn)，有助于指導(dǎo)后續(xù)的蛋白生化鑒定，為癌癥發(fā)病機(jī)制的研究提供了參考。

1 方法與數(shù)據(jù)

1.1 方法簡(jiǎn)介

1.1.1 近鄰傳播聚類分析

在數(shù)據(jù)挖掘和數(shù)據(jù)分析中，聚類分析已經(jīng)得到了廣泛的應(yīng)用。對(duì)于基于蛋白質(zhì)組學(xué)的質(zhì)譜數(shù)據(jù)，其數(shù)據(jù)量是巨大的，應(yīng)用聚類分析主要在于去除多余的冗余，以達(dá)到減少數(shù)據(jù)的目的。通過對(duì)質(zhì)譜數(shù)據(jù)進(jìn)行聚類，得到特定數(shù)目的類，類內(nèi)數(shù)據(jù)相似度最強(qiáng)，類間數(shù)據(jù)相似度最弱，每一個(gè)類中選擇特定的“代表”來(lái)代替整個(gè)類。應(yīng)當(dāng)看出，通過聚類分析并不是武斷地刪除數(shù)據(jù)，而是通過分析數(shù)據(jù)之間的特性，從中選出特定“代表”來(lái)代替部分?jǐn)?shù)據(jù)，從而達(dá)到減少數(shù)據(jù)的目的。

近鄰傳播聚類分析 (affinity propagation clustering，AP)是一種基于近鄰信息傳播的聚類算法［11］，目的是尋找最優(yōu)的類代表集合，使所有樣本達(dá)到最近的類代表的相似度之和最大，其主要特點(diǎn)是適合處理大規(guī)模數(shù)據(jù)。與K-means 聚類算法相比，AP 算法本身克服了隨機(jī)性，因此較為穩(wěn)定。

AP 算法將所有數(shù)據(jù)點(diǎn)都看作是潛在的類代表點(diǎn)，首先建立相似矩陣s，此相似矩陣s(i，k)= -xi-xk2 表示任意兩個(gè)數(shù)據(jù)點(diǎn)xi和xk之間的負(fù)歐幾里得距離。在聚類之前，初始假定所有的樣本被選為類代表的可能性相同，即設(shè)定所有的s(k，k)為相同的值p。p 值為偏向參數(shù)，表示數(shù)據(jù)點(diǎn)選擇自己作為聚類中心的意愿，其值越大，聚類結(jié)果的類數(shù)目越多，每個(gè)類中所含的成員數(shù)目就越少。

該聚類過程是對(duì)數(shù)據(jù)點(diǎn)不斷提取信息同時(shí)又不斷進(jìn)行處理，在聚類過程中引入兩個(gè)參數(shù):可信度［responsibility，記作r(i，k)］和可用度［availability，記作a(i，k)］。聚類的核心步驟就是這兩個(gè)參數(shù)交替更新的過程。參數(shù)可用度(availability)初始化為0，即a(i，k)= 0。

a(i，k)表示數(shù)據(jù)點(diǎn)i 被選為成為數(shù)據(jù)點(diǎn)k 的類中心的積累過程，有

式中，r(i，k)表示數(shù)據(jù)點(diǎn)k 被選為數(shù)據(jù)點(diǎn)i 的類中心的積累過程，有

對(duì)于任何點(diǎn)來(lái)說(shuō)，要確定其聚類中心，可信度(responsibility)和可用度(availability)都是必須考慮的。對(duì)于數(shù)據(jù)點(diǎn)i，使得式(3)最大的數(shù)據(jù)點(diǎn)k 可以作為數(shù)據(jù)點(diǎn)i 的類中心點(diǎn)，有

1.1.2 零空間LDA 算法

對(duì)于聚類之后的SELDI 數(shù)據(jù)，特征維數(shù)仍遠(yuǎn)大于樣本個(gè)數(shù)。若直接使用經(jīng)典 LDA (linear discriminant analysis)算法，將會(huì)導(dǎo)致類內(nèi)散布矩陣SW奇異。類內(nèi)散布矩陣SW、類間散布矩陣SB和總體散布矩陣ST以及最優(yōu)投影方向Wopt可計(jì)算如下:

零空間LDA 首先去除ST的零空間，這樣既去除了SB和SW交叉的零空間部分，又保留了判別信息，之后在SW的零空間上找到使SB最大的方向(即為最佳的投影方向)的Wopt。

1.1.3 支持向量機(jī)遞歸特征去除算法

經(jīng)過AP 聚類算法和零空間LDA 算法處理之后，SELDI 數(shù)據(jù)特征之間的相關(guān)性已大大減少，然后利用支持向量機(jī)遞歸特征去除算法(support vector machine recursive feature elimination，SVM-RFE)進(jìn)行特征選擇，找出最具有判別意義的特征。

SVM 首先通過非線性變換，將輸入空間變換到一個(gè)高維特征空間，然后再在這個(gè)新空間中求取最優(yōu)線性分類面，其最優(yōu)分類面可以最大化分類間隔(Margin)M = 2/‖w‖，等價(jià)于使‖w‖2最小。SVM-RFE 方法在進(jìn)行特征選擇時(shí)，首先訓(xùn)練SVM分類器，然后按標(biāo)準(zhǔn)計(jì)算其特征的排列，再移去排列最后的特征。不斷循環(huán)，直到標(biāo)準(zhǔn)沒有明顯減小或者已經(jīng)得到需要的特征數(shù)為止［12］。

SVM-RFE 特征選擇算法過程如下:在每一次循環(huán)中，具有最小排列系數(shù)的特征將被移除，然后SVM 對(duì)余下的特征重新訓(xùn)練，以獲取新的排序系數(shù)。SVM-RFE 方法通過迭代執(zhí)行這一過程，最后得到一個(gè)特征排序表。利用該排序列表，定義若干個(gè)嵌套的特征子集來(lái)訓(xùn)練SVM，并以SVM 的預(yù)測(cè)正確率來(lái)評(píng)估這些子集的優(yōu)劣，從而獲得最優(yōu)的特征子集。需要注意的是，排在前面的那些特征，單個(gè)并不一定能使SVM 分類器獲得最好的分類性能，而是多個(gè)特征組合在一起，才能使分類器獲得最優(yōu)的分類性能。因此，SVM-RFE 算法能選擇出互補(bǔ)的特征組合。

1.1.4 皮爾遜相關(guān)系數(shù)

利用皮爾遜相關(guān)系數(shù)，對(duì)所選特征之間的相關(guān)系數(shù)進(jìn)行計(jì)算。計(jì)算篩選出的特征之間的平均相關(guān)系數(shù)為

式中，t 為所選出的特征數(shù)，r(j，k)為一對(duì)特征(第j個(gè)特征和第k 個(gè)特征)的皮爾遜相關(guān)系數(shù)。

r(j，k)可由下式計(jì)算得到，即

1.2 數(shù)據(jù)

為了驗(yàn)證所提方法的有效性，分別在3 個(gè)臨床蛋白質(zhì)譜數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。

1.2.1 卵巢癌公共數(shù)據(jù)集 OC-WCX2a 和 OCWCX2b

數(shù)據(jù)由美國(guó)食品和藥物管理局(FDA)及國(guó)家腫瘤研究所(NCI)提供。采用WCX2 蛋白芯片陣列和SELDI-TOF 技術(shù)，對(duì)人體血清樣本進(jìn)行分析。數(shù)據(jù)集包含兩類蛋白表達(dá)信息:癌癥患者(cancer)和正常對(duì)照組(control)。其中:OC-WCX2a，Cancer 100 例，Control 100 例;OC-WCX2b，Cancer 162 例，Control 91 例。每個(gè)質(zhì)譜樣本包含15 154 維質(zhì)核比值(m/z)/強(qiáng)度值(Intensity)特征。上述兩個(gè)數(shù)據(jù)集可以在http://home.ccr.cancer.gov/下載，并且包含有數(shù)據(jù)集的詳細(xì)介紹。

1.2.2 乳腺癌臨床數(shù)據(jù)集BC-WCX2a

該數(shù)據(jù)由浙江省腫瘤醫(yī)院提供，共包含126 例血清蛋白質(zhì)質(zhì)譜樣本，其中Cancer 87 例，Control 39例，每例樣本約為65 536維蛋白特征［13］。

1.3 數(shù)據(jù)預(yù)處理方法

雖然蛋白質(zhì)組學(xué)質(zhì)譜技術(shù)產(chǎn)生的數(shù)據(jù)包含大量的潛在信息，但由于樣本采集和質(zhì)譜儀的性能，使數(shù)據(jù)中含有大量噪聲，對(duì)蛋白質(zhì)組學(xué)質(zhì)譜數(shù)據(jù)分析提出挑戰(zhàn)，因此在質(zhì)譜數(shù)據(jù)分析之前需要采用數(shù)據(jù)預(yù)處理步驟。

步驟1:重采樣。由醫(yī)學(xué)知識(shí)得知，蛋白質(zhì)特征表述區(qū)間一般為1 500 ～10 000 Da，且質(zhì)譜儀的優(yōu)化區(qū)間段也是1 500 ～10 000 Da，因此選擇此區(qū)間范圍內(nèi)的數(shù)據(jù)進(jìn)行均勻重采樣，采樣后得到10 000個(gè)特征點(diǎn)。

步驟2:基線去除?；€通常位于低質(zhì)荷比區(qū)域，由樣本或矩陣分子中的污染引起，可以看作是顯著峰與噪聲間的邊界［14］。由于譜的偏移程度不同，通常將每個(gè)譜的基線調(diào)整到水平線上。

步驟3:譜峰矯正。在不同的實(shí)驗(yàn)中，由于受到實(shí)驗(yàn)設(shè)備和人為因素的干擾，可能導(dǎo)致m/z 值出現(xiàn)偏差，因此對(duì)于不同批次下采集的質(zhì)譜數(shù)據(jù)需要進(jìn)行校準(zhǔn)。

步驟4:歸一化。使不同的質(zhì)譜可以在同一個(gè)范圍內(nèi)進(jìn)行分析，按下式歸一化，有

針對(duì)不同的數(shù)據(jù)集，采用不同的預(yù)處理步驟。公共數(shù)據(jù)集OC-WCX2a 和OC-WCX2b 已經(jīng)過重采樣、去基線、譜峰矯正等預(yù)處理，只需再進(jìn)行歸一化處理。乳腺癌臨床數(shù)據(jù)集BC-WCX2a 經(jīng)過重采樣、去 除 基 線，在 4 091.1(m/z)、5 908.0(m/z)、6 634.0(m/z)等3 個(gè)基準(zhǔn)點(diǎn)進(jìn)行校準(zhǔn)，最后進(jìn)行歸一化。

1.4 實(shí)驗(yàn)流程

具體實(shí)驗(yàn)流程如圖1 所示。原始SELDI 蛋白質(zhì)譜數(shù)據(jù)經(jīng)過預(yù)處理后，按照十折交叉驗(yàn)證策略，隨機(jī)分為訓(xùn)練集和測(cè)試集;實(shí)驗(yàn)共運(yùn)行20 次，包括6個(gè)步驟。

圖1 基于近鄰傳播聚類算法的實(shí)驗(yàn)流程Fig．1 Flow chart of the experimentation based AP clustering

步驟1:利用t-test 對(duì)原始質(zhì)譜數(shù)據(jù)進(jìn)行初步篩選。為減小后續(xù)計(jì)算的復(fù)雜度，尋找潛在的生物標(biāo)志物，計(jì)算每個(gè)特征的t 值并進(jìn)行排序，篩選出排名靠前的2 000個(gè)特征。

步驟2:使用十折交叉驗(yàn)證策略，將經(jīng)過初步篩選的數(shù)據(jù)分成訓(xùn)練集(train set)和測(cè)試集(test set)。

步驟3:對(duì)訓(xùn)練集數(shù)據(jù)，按照本文1.1.1 節(jié)所述AP 聚類算法對(duì)特征進(jìn)行聚類。實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)于OCWCX2a 數(shù)據(jù)集，當(dāng)偏向參數(shù)p(preference)等于-3時(shí)，分類率等實(shí)驗(yàn)結(jié)果參數(shù)最優(yōu);對(duì)于OC-WCX2b數(shù)據(jù)集，偏向參數(shù)p = -30時(shí)實(shí)驗(yàn)結(jié)果最優(yōu);而對(duì)于BC-WCX2a 數(shù)據(jù)集，偏向參數(shù)p 取相似矩陣s 的中位值時(shí)，實(shí)驗(yàn)結(jié)果最優(yōu)。

步驟4:由于每一類中包含很多相似性較大的特征，具有較強(qiáng)的相關(guān)性，所以運(yùn)用零空間LDA 算法去除每一個(gè)類中一半的冗余特征，保留具有代表性的另一半特征。

步驟5:基于嵌入法的SVM-RFE 特征選擇算法，通過選擇有用的特征并且去除無(wú)用的特征，進(jìn)一步使特征之間的關(guān)聯(lián)性和冗余度最小化。

圖2 3 個(gè)數(shù)據(jù)集在4 個(gè)分類器中得到的結(jié)果。(a)OCWCX2a 在SVM 得到的結(jié)果;(b)OCWCX2b 在SVM得到的結(jié)果;(c)OCWCX2b 在KNN 得到的結(jié)果;(d)BCWCX2a 在J4.8 得到的結(jié)果Fig．2 The result from three dataset in four classifiers． (a)The result of OCWCX2a in SVM;(b)The result of OCWCX2b in SVM;(c)The result of OCWCX2b in KNN;(d)The result of BCWCX2a in J4.8

步驟6:將挑選出的特征放入到4 個(gè)分類器進(jìn)行驗(yàn)證，得到分類結(jié)果。

2 結(jié)果

2.1 分類性能

OC-WCX2a 數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果顯示，在SVM 分類器中，SVM-RFE 算法達(dá)到較好的分類效果(84.48% ～95.75 %)。在加入AP 聚類算法去相關(guān)之后，AP +SVM-RFE 算法在各特征數(shù)下的分類率都有所提高(84.70 % ～96.43 %)。因此，AP + SVM-RFE無(wú)論是在分類率、敏感性、特異性都得到了提升，最高分別達(dá)到了96.43 %、97.00 %、95.85 %。

OC-WCX2b 數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果顯示，在SVM 分類器中對(duì)比SVM-RFE 和AP +SVM-RFE 算法性能，隨著特征數(shù)的增加，后者的分類率和特異性均有較大的提升，分別達(dá)到了98.99 %和97.19 %，但敏感性無(wú)較大的區(qū)別，均為100 %。在KNN 分類器中，AP + SVM-RFE 算法性能優(yōu)勢(shì)明顯，在各特征數(shù)下，分類率、敏感性、特異性均高于SVM-RFE 算法，分別達(dá)到了99.66 %、100 %、99.08 %。雖然兩圖結(jié)果有差異，原因是使用了不同的分類器所造成的，但是結(jié)果顯示，即使分類器不同，AP + SVM-RFE 算法性能均要高于SVM-RFE 算法性能。

BC-WCX2a 數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果顯示，在J4.8 分類器中隨著特征數(shù)增加，雖然AP + SVM-RFE 在特異性方面不如SVM-RFE 算法，且分類率和敏感性有所下降，但也分別達(dá)到90.88 %和96.17 %。原因可能是由于BC-WCX2a 數(shù)據(jù)由浙江省腫瘤醫(yī)院的質(zhì)譜儀產(chǎn)生，獲得時(shí)極容易被外界以及實(shí)驗(yàn)儀器所污染，雖然經(jīng)過數(shù)據(jù)預(yù)處理，但是與公共數(shù)據(jù)相比，含有更多的噪聲和影響因素，因而在特異性方面與公共數(shù)據(jù)相比不理想。

2.2 特征相關(guān)性比較

利用皮爾遜相關(guān)系數(shù)，對(duì)所選特征之間的相關(guān)系數(shù)進(jìn)行計(jì)算，并比較AP + SVM-RFE 和SVM-RFE對(duì)于減少特征相關(guān)性的優(yōu)劣性。

表1 為特征之間的平均相關(guān)系數(shù)，特征間平均相關(guān)系數(shù)越小，代表特征間的相關(guān)性越小，反之越大。

表1 顯示，隨著特征數(shù)的增加(從5 增至40)，特征之間的相關(guān)系數(shù)也隨之增加;但AP +SVM-RFE與SVM-RFE 相比，由于平均相關(guān)系數(shù)更小，因此AP+SVM-RFE 算法對(duì)于減少特征相關(guān)性更為有效。對(duì)比平均相關(guān)系數(shù)和分類率結(jié)果可以發(fā)現(xiàn)，平均相關(guān)系數(shù)與分類率之間存在關(guān)聯(lián)性，AP + SVM-RFE得到的平均相關(guān)系數(shù)更低，因此篩選出的低相關(guān)性特征得到的分類率更高。分析原因，是因?yàn)锳P +SVM-RFE 在提取特征時(shí)考慮了整個(gè)質(zhì)譜，并不像SVM-RFE 僅僅局限于幾個(gè)譜峰，因此經(jīng)過AP +SVM-RFE 處理得到的特征包含了更多有用信息，因而分類率也會(huì)更高。

表1 3 個(gè)數(shù)據(jù)集中特征間的平均皮爾遜相關(guān)系數(shù)Tab．1 Average Pearson correlation coefficient between features in three datasets

2.3 挑選生物標(biāo)志物

經(jīng)過實(shí)驗(yàn)，AP +SVM-RFE 算法不僅從3 個(gè)數(shù)據(jù)集中得到分類率等結(jié)果，而且提取出特征作為生物標(biāo)志物(biomarker，單位為Da)，表2 為2 個(gè)數(shù)據(jù)集中提取出的10 個(gè)生物標(biāo)識(shí)物。對(duì)于公共數(shù)據(jù)OCWCX2a 和OC-WCX2b，其中某些蛋白質(zhì)特征位點(diǎn)已經(jīng)發(fā)現(xiàn)，并用星號(hào)標(biāo)記，其余為新發(fā)現(xiàn)的蛋白質(zhì)特征位點(diǎn)。

表2 算法在3 個(gè)數(shù)據(jù)集中提取的10 個(gè)特征蛋白位點(diǎn)Tab．2 10 differential m/z biomarkers for 3 datasets

3 討論

由于基于蛋白質(zhì)組學(xué)的質(zhì)譜技術(shù)快速發(fā)展，使之成為癌癥輔助診斷的有力工具。前人都提出了算法，且這些算法都取得了一定的實(shí)驗(yàn)效果，但是大部分關(guān)注的重點(diǎn)為算法對(duì)病例數(shù)據(jù)的分類效果，并沒有篩選出與疾病相關(guān)的蛋白質(zhì)位點(diǎn)。

本研究提出的算法不僅得到了分類效果，而且篩選出與疾病可能相關(guān)的蛋白質(zhì)位點(diǎn)，對(duì)臨床診斷具有一定的指導(dǎo)意義。分析SELDI-TOF 質(zhì)譜數(shù)據(jù)的方法有很多，聚類分析是其中較為有效的一種方法。對(duì)于高通量SELDI-TOF 質(zhì)譜數(shù)據(jù)以及基因微陣列數(shù)據(jù)，聚類分析算法在處理高通量數(shù)據(jù)方面已取得一定的進(jìn)展。雖然有些聚類分析算法存在一些缺陷，但是在降低特征維數(shù)和去除特征間相關(guān)性方面，聚類分析不僅運(yùn)算復(fù)雜性較低，而且取得了較好效果。

在實(shí)際臨床診斷中，醫(yī)學(xué)上通常更關(guān)注敏感性。由于將癌癥患者誤診斷為正常，會(huì)使病人喪失最佳治療時(shí)期甚至導(dǎo)致死亡，而將正常人診斷為癌癥患者可以在醫(yī)學(xué)上進(jìn)行進(jìn)一步診斷，因此醫(yī)學(xué)診斷更多強(qiáng)調(diào)敏感性。

此外，在醫(yī)學(xué)診斷中關(guān)注的不僅僅是分類率、敏感性和特異性等值，最主要的是在高分類率條件下挑選出具有高判別效果的蛋白質(zhì)位點(diǎn)。通過研究不同類型癌癥所對(duì)應(yīng)的蛋白質(zhì)位點(diǎn)，即可對(duì)該類型癌癥進(jìn)行早期診斷，因此這些蛋白質(zhì)位點(diǎn)對(duì)于醫(yī)生診斷早期癌癥患者具有一定的輔助作用。但是，由于現(xiàn)階段基于蛋白質(zhì)組學(xué)的質(zhì)譜數(shù)據(jù)研究對(duì)于數(shù)據(jù)預(yù)處理參數(shù)的設(shè)定不盡相同，在臨床中易受到外界條件的干擾，進(jìn)而會(huì)影響到實(shí)驗(yàn)結(jié)果，所以單純依靠質(zhì)譜數(shù)據(jù)對(duì)于臨床診斷并不完全可靠，提供的信息對(duì)于醫(yī)學(xué)診斷來(lái)說(shuō)也僅是參考，如果要完全判斷患者情況還需要其他的手段，比如利用核磁共振成像(MRI)來(lái)診斷早期癌癥。雖然現(xiàn)階段基于蛋白質(zhì)組學(xué)的質(zhì)譜技術(shù)對(duì)于早期臨床診斷癌癥有一定困難，但隨著研究的深入，以及近年來(lái)該領(lǐng)域取得的長(zhǎng)足進(jìn)步，相信在不遠(yuǎn)的將來(lái)基于蛋白質(zhì)組學(xué)的質(zhì)譜技術(shù)必定會(huì)成為癌癥輔助診斷的強(qiáng)有力助手。

4 結(jié)論

本研究提出了一種針對(duì)SELDI-TOF 蛋白質(zhì)質(zhì)譜數(shù)據(jù)的特征選擇算法。該算法以最終獲得病例數(shù)據(jù)的分類效果和降低特征之間的相關(guān)性為目的，提取了3 個(gè)數(shù)據(jù)集的生物標(biāo)志物。采用基于近鄰傳播聚類分析的蛋白質(zhì)質(zhì)譜數(shù)據(jù)特征選擇算法，不但有效地降低了特征間的相關(guān)性，而且保留了最具有判別意義的特征。在公共卵巢癌數(shù)據(jù)集OC-WCX2a、OC-WCX2b 和浙江省腫瘤醫(yī)院乳腺癌數(shù)據(jù)BCWCX2a 上的實(shí)驗(yàn)結(jié)果表明，該算法能夠獲得較高的分類率，并且發(fā)現(xiàn)新的蛋白質(zhì)特征位點(diǎn)，這對(duì)臨床的癌癥診斷和發(fā)病機(jī)制的研究具有一定的意義。值得一提的是，本研究對(duì)蛋白質(zhì)特征位點(diǎn)的選擇僅僅依靠了信息學(xué)手段，至于挑選出的生物標(biāo)志物在臨床上是否有效，還有待于在臨床上的檢驗(yàn)。

［1］ Jemal A，Sieg el R，Ward E，et al． Cancer statistics［J］. A Cancer Journal of Clinicians，2011，(61):212 -236.

［2］ Bruce A，Julian L，Martin R，et al. Molecular biology of the cell，fourth edition［M］. New York:Garland Science，2004.

［3］ Shin H，Sheu B，Joseph M，et al． Guilt-by-association feature selection:identifying biomakers from proteomic profiles ［J］.Biomed Inform，2008，41:124 -136.

［4］ Somorjai RL，Dolenko B，Baumgartner R. Class prediction and discovery using gene microarray and proteomics mass spectroscopy data: curses， caveats， cautions ［ J ］.Bioinformatics，2003，19(12):1484 -1491.

［5］ Thomas A，Tourassi GD，Elmaghraby AS，et al． Data mining in proteomic mass spectrometry［J］. Clinical Proteomics，2006，2(1):13 -21.

［6］ Hanczar B，Courtine M，Benis A，et al． Improving classification of microarray data using prototype-based feature selection［J］.SIGKDD Exploration，2003，5:23 -30.

［7］ Wang Yuhang，F(xiàn)illia Makedon，James Ford，et al． HykGene:a hybrid approach for selecting marker genes for phenotype classification using microarray gene expression data ［J］.Bioinformatics，2005，21(8):1530 -1537.

［8］ Yang Pengyi，Zhang Zili，Zhou Bingbing，et al． A clustering based hybrid system for biomaker selection and sample classification of mass spectrometry data［J］. Neurocomputing，2010，73(13 -16):2317 -2331.

［9］ Yang Pengyi，Zhang Zili. A clustering based hybrid system for mass spectrometry data analysis［J］. Pattern Recognition in Bioinformatics，Lecture Notes in Bioinformatics，2008，5265:98 -109.

［10］ Huang Rui，Liu Qingshan，Lu Hanqing，et al. Solving the small sample size problem of LDA ［J］. Pattern Recognition，2002，3:29 -32.

［11］ Dueck D，F(xiàn)rey BJ. Clustering by passing messages between data points［J］. Science，2007，315(5814):972 -976.

［12］ 李偉紅，龔衛(wèi)國(guó)，陳偉民，等. 基于SVMRFE 的人臉特征選擇方法［J］. 光電工程，2006，33(5):113 -117.

［13］ 王堯佳，祝磊，韓斌. 基于遞歸零空間線性判別分析算法的蛋白質(zhì)質(zhì)譜數(shù)據(jù)特征選擇［J］. 航天醫(yī)學(xué)與醫(yī)學(xué)工程，2010，23(5):324 -328.

［14］ 孟輝，洪文學(xué)． 蛋白質(zhì)組學(xué)質(zhì)譜數(shù)據(jù)預(yù)處理技術(shù)綜述［J］.中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2009，28(3):469 -475.