面向不平衡多组学癌症数据的特征表征算法

摘要

针对癌症疾病数据结构复杂、预测困难、数据不平衡和患者隐私保护等一系列的问题，提出了一种特征表征算法ImFeatures，解决了癌症数据的不平衡问题，丰富了样本结构。联合癌症转录组和甲基化2种组学数据作为真实样本，通过逻辑回归（LR）和随机森林（RF）2种特征选择后，得到的负样本被随机划分并结合等量的正样本，输入本文提出的特征表征模型，生成学习到关键特征信息的表征样本，以提高模型预测能力。实验结果表明，在经过特征表征后的11种常见癌症数据集上，本文提出的结合特征筛选和特征表征的算法的准确率（Acc）均超过了80.00%，其中有5种癌症的预测准确率超过了95.00%，可以有效提升癌症疾病的预测准确率。

关键词

计算机应用技术 / 特征表征 / 生物信息学 / 多组学数据 / 特征筛选 / 机器学习