叶明全 高凌云 伍长荣 黄道斌 胡学钢

(1.皖南医学院医学信息学院，芜湖，241002； 2.皖南医学院健康大数据挖掘与应用研究中心，芜湖，241002；3.安徽师范大学计算机与信息学院，芜湖，241002； 4.合肥工业大学计算机与信息学院，合肥，230009)

引 言

肿瘤是目前威胁人类生命的主要疾病之一。从分子生物学的角度来看，肿瘤是由于某些染色体上DNA损伤而引起细胞内基因表达异常，导致细胞生长失控、畸形分化和异常增生的一类复杂基因疾病。肿瘤基因表达谱是指利用基因芯片(即DNA芯片)测定基因在肿瘤组织或正常组织等不同样本中表达水平。研究表明，基因表达谱中与肿瘤疾病密切相关的关键基因(又称为特征基因或信息基因)数量非常少。研究基因表达谱、选取信息基因是从信息学角度出发寻找肿瘤分型与分类的基因标记物以及药物治疗潜在靶点的重要手段，同时也是有效构建肿瘤分类模型的关键[1-4]。

随着DNA微阵列技术的快速发展，人们获得大量的基因表达谱，从而为研究肿瘤的发病机制和临床诊断提供了重要依据。然而，基因表达谱存在高维小样本、噪声大且冗余基因多等显著特点，这给基于基因表达谱的肿瘤分类问题研究带来巨大挑战。Guyon等[5]指出：通过DNA微阵列技术获取的基因表达谱中含有大量与特定疾病冗余或不相关的基因。冗余或无关基因的存在，将导致建立肿瘤分类模型费时费力，不可避免陷入过度拟合现象和维数灾难问题[3]。因此，信息基因的选取问题是基于基因表达谱的肿瘤分类的研究核心和极具挑战性的内容，也是生物医学信息学的研究热点之一[1-10]。……