【技术实现步骤摘要】
一种基于改进的粒子群寻优算法的代谢组学分析方法
本专利技术涉及组学(omics)分析,也涉及人体代谢产物的检测和分析。
技术介绍
后基因组时代,各种组学(omics)迅速发展,对医学生物学数据分析提出了更高的要求。组学的特点是借助高灵敏度的仪器设备,快速大量地获取医学生物学数据,使得统计方法和分析算法成为组学研究的重要内容。不同于其他组学如基因组学、转录组学和蛋白组学,代谢组学通过各种化合物特有的质量-电荷比值以及滞留时间等信息,检测代谢产物的种类和丰度,因此不包含诸如基因或蛋白的序列信息。代谢组学不同于以前的任何化学分析方法,属于非目标检测,即对所有化合物进行无差别取样,以所有化合物的种类和丰度构成代谢组轮廓(profiling),并以轮廓标记样本。由于血液样本中代谢组成分及其含量十分复杂,相应的计算速度就成为数据分析的技术瓶颈。支持向量机(SupportVectorMachine,简称SVM)是根据结构风险最小化原则提出的一种机器学习方法,在小样本、非线性及高维模式识别等方面具有优秀的泛化能力。而参数的选取对支持向量机的性能影响极大,因此如何在最快的时间内找到SVM的最优参数,成为影响支持向量机学习和泛化能力的一个关键问题。由于支持向量机中各参数组合及取值的多样性,通过人工经验进行参数选取十分艰难,工作量也极其繁琐。因此,国内外学者开展了很多寻优函数方面的研究,目前国际上较为常用的优化参数方式有:粒子群算法(ParticleSwarmOptimization,简称PSO)、网格搜索算法、遗传算法等 ...
【技术保护点】
1.一种基于改进的粒子群寻优算法的代谢组学分析方法,其特征在于,包括以下步骤:/n首先:对病人和对照血液样本进行非目标检测,获得代谢组数据库,构建血液样本与病理特性的映射关系,划分训练集样本与测试集样本;/n然后:通过训练集样本构建相应的基于改进的粒子群寻优的支持向量机,对测试集样本进行病理特性检测和分析。/n
【技术特征摘要】
1.一种基于改进的粒子群寻优算法的代谢组学分析方法,其特征在于,包括以下步骤:
首先:对病人和对照血液样本进行非目标检测,获得代谢组数据库,构建血液样本与病理特性的映射关系,划分训练集样本与测试集样本;
然后:通过训练集样本构建相应的基于改进的粒子群寻优的支持向量机,对测试集样本进行病理特性检测和分析。
2.根据权利要求1所述的基于改进的粒子群寻优算法的代谢组学分析方法,其特征在于:所述的构建基于改进的粒子群寻优的支持向量机,包括以下步骤:
将改进的粒子群算法与网格搜索法进行算法结合,在算法结合过程中提出新的自适应调整选参策略;
其中:
改进的粒子群算法包括:
初始化粒子群中粒子的速度、位置及个体历史最优和全局最优;
然后引入异步学习函数以及一种新的惯性权重函数,更新粒子的速度与位置;
再对粒子群算法中每次迭代后的种群进行聚集程度分析,将寻到全局最优值的粒子附近一定范围内的粒子聚集程度作为触发变异条件,引入Logistic函数,使该范围内选定的粒子进行混沌变异。
3.根据权利要求2所述的基于改进的粒子群寻优算法的代谢组学分析方法,其特征在于:所述将改进的粒子群算法与网格搜索法进行算法结合包括:将粒子群算法得到的参数组合经过自适应调整选参后进行粗糙网格搜索,将粗糙网格搜索法得到的参数组合经过自适应调整选参后进行精细网格搜索。
4.根据权利要求2所述的基于改进的粒子群寻优算法的代谢组学分析方法,其特征在于:所述异步学习函数,公式为:
c1=sin(2*t/T+2)+0.2*sin(10*t/T+20)+1
c2=-sin(2*t/T+2)-0.2*sin(10*t/T+20)+3
其中c1和c2是粒子群的学习因子,t为当前迭代次数,T为总迭代次数;
所述新分段惯性权重函数,公式为:
w=sin(t/(0.66*T)+1.5)+0.1*sin(10*(t/T)-2)
其中w是粒子群的惯性权重,t为当前迭代次数,T为总迭代次数。
5.根据权利要求3所述的基于改进的粒子群寻优算法的代谢组学分析方法,其特征在于:所述将粒子群算法经过数据处理得到的最优参数组合进行粗糙网格搜索和精细网格搜索是:固定惩罚参数为粒子群算法得到的最优惩罚参数;在核函数参数附近空间进行步长为2~5的粗糙网格搜索,搜索范围是以粒子群算法得到的核函数参数为中心,以核函数参数整体寻优范围的1/5为搜索空间进行网格搜索;再以粗糙网格搜索法经过数据处理得到的最优参数组合为中心,进行步长为1的精细网格搜索,搜索空间是参数整体寻优最大值与最小值的差值f的1/20。
6.根据权利要求5所述的基于改进的粒子群寻优算法的代谢组学分析方法,其特征在于:所述的将粒子群算法与粗糙网格搜索法结合时的自...
【专利技术属性】
技术研发人员:王馨瑶,唐业忠,陆方,王文波,刘杨,
申请(专利权)人:中国科学院成都生物研究所,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。