基于NMFSC的特征基因提取.pdf

电子技术研发 Electronics R D 10.3969/j .issn.1000-0755.2014.06.006 基于NMFSC的特征基因提取 马春霞 （曲阜师范大学信息技术与传播学院） 摘 要：稀疏方法有一个重要的优点就是能减少基因表达数据的复杂度，故它具有很好的可解释性。在 这篇文章中，我们利用稀疏控制的非负矩阵分解（NMFSC）来提取特征基因,因为稀疏控制的非负矩阵比其 他稀疏方法更具有可解释性。在实验部分，将NMFSC应用在植物基因表达数据集上，并将其与传统的稀疏 方法（SPCA）进行对比。实验证明我们的方法要比其他方法能提出更多的基因。 关键词：稀疏控制的非负矩阵分解；基因表达数据；提取特征基因 Feature Extraction for Genes Based on NMFSC Ma Chunxia (Information Technology and Communication College, Qufu Normal University) Abstract: A significant advantage of sparse methods is that it can reduce the complicacy of genes expression data, which makes them easier good interpretability. In this article, we use non-negative matrix factorization with sparseness constraint (NMFSC) to extract features genes, because the non-negative matrix factorization with sparseness constraint is more explicable than that of other sparse methods. In the experimental part, NMFSC is used in plant gene expression data sets, and compared with the sparse traditional method (SPCA). The experimental results show that our method can extract more feature genes than other methods. Key words: NMFSC; genes expression data; extraction of features genes 0 引言 1 方法 植物体内存在着一些特殊的相互作用的基因， 1.1 NMFSC的数学定义 [4] 而这些基因能反映每一个非生物压迫。如何能有效地 在文献 中,Patrik O. Hoyer详细地介绍了 提取出基因，仍然是一个挑战。人们常见的方法有 NMFSC算法。对于任意的一个非负矩阵X ,能找到两 [1] [2] RT-P CR法 或N orth ern印迹法 ，主成分分析 个非负矩阵W和H使得X －WH。其中，W被称为基 (PCA)法，独立成分分析(ICA)法和奇异值分解 矩阵，H被定义为基于基矩W的系数矩阵。我们利用 (SVD)法等。虽然这些方法已经被广泛地应用在基因 欧氏距离作为目标函数，其公式如下： 表达数据领域中，但他们都有一些共同的缺陷，即在 处理原始数据的时候，都必须对原始数据进行标准 分别对W和H进行施加约束控制，对目标函数