第三军医大学军事预防医学院卫生统计学教研室（400038）

吴小姣 李高明 易大莉 刘 岭 张彦琦 易 东 伍亚舟△

·方法介绍·

基因表达谱的非参缺失森林填补算法研究*

第三军医大学军事预防医学院卫生统计学教研室（400038）

吴小姣 李高明 易大莉 刘 岭 张彦琦 易 东 伍亚舟△

目的评估不同基因表达谱数据集下，多种算法在缺失数据中的填补效果，并分析其对无监督基因表达谱聚类的影响。方法在不同缺失比例的情况下，分别采用非参缺失森林填补法、贝叶斯线性回归法、蒙特卡洛多重填补法和K邻近填补法进行填补，通过均方根误差（NRMSE）和聚类准确率（F值）两个指标来评估不同方法的填补效能和聚类效果，并用模拟数据集进行测试和乳腺癌数据集进行验证。结果随着缺失比例的增加，四种填补方法的NRMSE都逐渐上升；任意缺失比例下，相比于其他三种方法非参缺失森林填补法的填补优势明显。缺失比例为5%、10%、20%和30%的乳腺癌数据集，非参缺失森林填补法的NRMSE依次为0．1951（95%CI，0．1945～0．1953）、0．2776（95%CI，0．2783～2791）、0．4003（95%CI，0．3986～0．4002）和0．4974（95%CI，0．4658～0．5104）；聚类效果的准确率为1．0、0．91、0．88和0．82。结论非参缺失森林填补算法实现简单，对数据集的要求较低，比传统填补算法具有更好的稳定性和精确度，可保留较多的基因信息供后续的功能聚类等分析。

基因表达谱 缺失数据 缺失森林法 聚类

生物医学研究中基因表达微阵列是一种强有力的工具，但现存的很多分析方法都要求微阵列的数据是完整的。由于存在多种原因，如不充分的实验方案，图像损坏，芯片上的灰尘或划痕等，使得实际上获得的数据阵列通常是有缺失的，这在一定程度上影响了数据后续分析结果的准确性和可靠性，如差异表达基因的筛选、基因功能聚类、基因调控网络建立和生物标志物检测等。……