基于逻辑回归分类器的乳腺癌易感基因标志物识别

随着基因测序技术的发展,生物信息数据呈现爆炸式增长,如何从海量生物数据中挖掘出隐藏的生物模式和信息,成为生物信息学领域的一个重要课题。癌症的发生通常是由于细胞增长机制的失常而引起的，表现为细胞内某些基因突变或表达异常所致，进一步影响其他基因的表达，从而导致一些蛋白质分子的表达发生改变，因此产生了病理学上肿瘤的差异，形成了临床诊断中的不同的癌症类别。随着20世纪90年代启动的人类基因组计划(Human Genome Project) 的顺利进行，DNA微阵列技术的迅速发展给癌症的临床辅助诊断和治疗带来了新的希望，它在实验中产生的基因表达数据可以使我们从基因水平对癌症病因进行分析和研究。但一次微阵列实验会同时产生数以万计的基因表达数据，对海量的基因表达数据进行分析和处理，从中提取有效的生物信息给人们的研究提出了新的挑战。基因表达谱数据分析是生物信息学领域研究的最重要内容之一，作为研究的一种重要的方法，正确的对不同病理分型的癌症进行分类，对癌症的临床诊断 和治疗具有非常重要的意义。逻辑回归（LogisticRegression）理论的提出和发展，给高维的基因表达谱数据处理带来了新的启发，逻辑回归是当前机器学习算法比较常用的方法，可以用来回归分析，也可以用来分类，主要是二分类问题。逻辑回归分类算法就是将线性回归应用在分类场景中，通过曲线拟合与sigmoid函数得到对样本数据的分类标签，在二分类问题中得到的分类结果为0/1。

逻辑回归就是一个分类的算法，常见用在二分类当中，就是把我们的输入值在线性回归中转化为预测值，然后映射到Sigmoid 函数中，讲值作为x轴的变量，y轴作为一个概率，预测值对应的Y值越接近于1说明完全符合预测结果。但是拟合的越好，不代表效果就越好，有可能拟合过度。

经过反复实验，本文实现了对基因表达数据的分类，利用本文提出的逻辑回归算法最终对数据集分类都得到了很好的分类效果，分类准确率达到了 93.4%。