基于非线性降维和多区间多变量的SELDI-TOF质谱数据分析研究

SELDI-TOF蛋白质谱技术为疾病的早期诊断提供了重要依据。本项目针对恶性肿瘤早期诊断中SELDI-TOF蛋白质谱数据的分析问题，重点研究如何充分提取蛋白质谱数据中的判别特征，寻找分类策略的有效建模方法。主要研究内容包括（1）基于有监督流形学习方法分析蛋白质谱数据的非线性结构，有效地提取蛋白质谱中的非线性判别特征；（2）在蛋白质谱数据描述中引入多区间、多变量的思想，寻找有效的特征选择方法，筛选出特异性蛋白位点；（3）基于模糊神经网络的分类策略研究，更好地融合多个层次的特征，提高诊断性能。本项目研究基于现有的独立数据展开，同时拥有充足、稳定的病例数据假以验证。本项目的研究成果将有助于提高恶性肿瘤早期诊断、早期预警的准确性和可靠性，具有重要的理论和现实意义。