[发明专利]基于自适应基因交互正则化弹性网络模型的基因选择方法及系统

权利要求书

1.一种基于自适应基因交互正则化弹性网络模型的基因选择方法，其特征在于，包括：

步骤1：基于Wilcoxon秩和检验评估每个测量的基因的重要程度；

步骤2：对每个测量的基因的重要程度进行量化；

步骤3：根据量化后的每个基因的重要程度为每个测量的基因添加自适应惩罚权重，基于所述自适应惩罚权重删除噪声基因，得到特征基因；

步骤4：将所述自适应惩罚权重引入最小二乘损失函数中，从而构建自适应弹性网络模型；所述自适应弹性网络模型的表达式为：

其中O₂表示自适应弹性网络模型，y为样本类别，β为所有基因的估计系数，β_j为第j个基因的估计系数，x_i为输入向量，λ和α为正则化参数，且λ0，α∈[0,1]，w_j表示自适应惩罚权重，n为样本个数，p表示测量的基因总数；

步骤5：构建基因交互网络的邻接矩阵；

步骤6：基于所述邻接矩阵构建基因交互网络惩罚；按照下式构建基因交互网络惩罚：

其中O₃表示基因交互网络惩罚，β_i为第i个基因的估计系数，Tr(.)表示矩阵的迹，A表示基因相互作用网络的邻接矩阵；

步骤7：将所述自适应弹性网络模型和所述基因交互网络惩罚相结合，构建自适应基因交互正则化弹性网络模型；所述自适应基因交互正则化弹性网络模型的表达式为：

其中F(X,A,β)表示自适应基因交互正则化弹性网络模型，X为输入矩阵，为惩罚项，γ为正则化参数；

步骤8：基于梯度下降算法求解出所述自适应基因交互正则化弹性网络模型的最优解，基于所述最优解选择基因。

2.根据权利要求1所述的基于自适应基因交互正则化弹性网络模型的基因选择方法，其特征在于，所述步骤1包括：

基于Wilcoxon秩和检验，按照下式评估每个测量的基因的重要程度：

其中I(.)为指示函数；表示第j个基因的第i个表达值；p表示测量的基因总数；N₀和N₁表示不同样本类的索引集，n₀、n₁分别表示样本N₀、N₁的数目；s(g_j)表示第j个基因在两个类中不同表达水平，0≤s(g_j)≤n₀n₁，如果s(g_j)的值接近0或n₀n₁表示第j个基因是分类中重要的特征基因。

3.根据权利要求2所述的基于自适应基因交互正则化弹性网络模型的基因选择方法，其特征在于，所述步骤2包括：

按照下式将基因进行排序：

R(g_j)＝max{s(g_j),n₀n₁-(g_j)}

当s(g_j)越接近0或n₀n₁时，R(g_j)值越大，那么第j个基因在分类问题中的重要性越大。

4.根据权利要求3所述的基于自适应基因交互正则化弹性网络模型的基因选择方法，其特征在于，所述步骤3中，自适应惩罚权重的表达式为：

其中n为样本个数。

5.根据权利要求2所述的基于自适应基因交互正则化弹性网络模型的基因选择方法，其特征在于，所述步骤5中，按照下式构建基因相互作用网络的邻接矩阵：

A＝[a_ij]∈R^p×p

其中R代表实数集；A表示基因相互作用网络的邻接矩阵；a_ij值为0或1。

6.一种基于自适应基因交互正则化弹性网络模型的基因选择系统，其特征在于，包括：

基因重要程度评估模块，用于基于Wilcoxon秩和检验评估每个测量的基因的重要程度；

基因重要程度量化模块，用于对每个测量的基因的重要程度进行量化；

加权模块，用于根据量化后的每个基因的重要程度为每个测量的基因添加自适应惩罚权重，基于所述自适应惩罚权重删除噪声基因，得到特征基因；

第一构建模块，用于将所述基因权重引入最小二乘损失函数中，从而构建自适应弹性网络模型；所述自适应弹性网络模型的表达式为：

其中O₂表示自适应弹性网络模型，y为样本类别，β为所有基因的估计系数，β_j为第j个基因的估计系数，x_i为输入向量，λ和α为正则化参数，且λ0，α∈[0,1]，w_j表示自适应惩罚权重，n为样本个数，p表示测量的基因总数；

第二构建模块，用于构建基因交互网络的邻接矩阵；

第三构建模块，用于基于所述邻接矩阵构建基因交互网络惩罚；按照下式构建基因交互网络惩罚：

其中O₃表示基因交互网络惩罚，β_i为第i个基因的估计系数，Tr(.)表示矩阵的迹，A表示基因相互作用网络的邻接矩阵；

第四构建模块，用于将所述自适应弹性网络模型和所述基因交互网络惩罚相结合，构建自适应基因交互正则化弹性网络模型；所述自适应基因交互正则化弹性网络模型的表达式为：

其中F(X,A,β)表示自适应基因交互正则化弹性网络模型，X为输入矩阵，为惩罚项，γ为正则化参数；

基因得出模块，用于基于梯度下降算法求解出所述自适应基因交互正则化弹性网络模型的最优解，基于所述最优解选择基因。