比较不平衡基因表达数据上的7种分类器表现

李婧惟 刘 艳 陆 震

哈尔滨医科大学卫生统计学教研室，150081 黑龙江 哈尔滨

微阵列基因表达数据分析是基因组学领域研究的重要方向之一，在疾病的亚群分析、诊断预后、类别预测等方面有着广泛的应用[1]。基因表达数据通常具有样本量小、特征变量多、类别分类不平衡等特点，因此给研究者的分析应用带来了很大的挑战。近年来，随着机器学习领域地快速发展以及基因组学领域研究地不断深入，分类算法被广泛应用于基因表达数据的分析中[2]。但已有的研究主要集中在变量筛选方法的比较和分析上[3-4]，或者提出新的分类算法[5-6]，尚缺少对基因表达数据中不平衡类分布对分类算法选择影响的研究[7]。本研究重点关注二分类样本的类别不平衡比例，利用真实数据评估了7种分类器在类不平衡数据上的表现，并比较单次分类结果和重复100次的平均分类结果，分析不同分类算法对不平衡基因表达数据预测性能的影响，旨在为后续相关模型的建立提供理论基础。

1 资料与方法

1.1 资料来源

本研究使用2个公开的基因表达数据集：结肠癌数据集(colon)和白血病数据集(leukemia)。结肠癌数据集来源于Affymetrix oligonucleotide Hum 6 000平台，剔除污染样本后，共得到肿瘤样本37个(即阳性样本量Np=37)和正常样本20个(即阴性样本量Nn=20)[8]，构成总样本57例；该数据集可从Bioconductor的colonCA包中下载。白血病数据集来源于Affymetrix human 6 800平台的72个样本，包含47个急性淋巴细胞白血病(acute lymphoblastic leukemia，ALL)样本、25个急性髓系白血病(acute myeloid leukemia，AML)样本及7 129个基因表达值[9]；且根据细胞来源将ALL样本进一步分组：38个B细胞来源的ALL(B-lineage ALL，ALLB)样本和9个T细胞来源的ALL(T-lineage ALL，ALLT)样本；……