技術(shù)特征：

1.一種基于多層復(fù)雜網(wǎng)絡(luò)對(duì)腫瘤miRNA標(biāo)志物的篩選方法，其特征在于，包括以下步驟：

1)提供腫瘤病人的miRNA數(shù)據(jù)，所述miRNA數(shù)據(jù)包括腫瘤病人正常組織的miRNA數(shù)據(jù)和腫瘤組織的miRNA數(shù)據(jù)；

2)將所述步驟1)得到的正常組織的miRNA數(shù)據(jù)和腫瘤組織的miRNA數(shù)據(jù)分別進(jìn)行過(guò)濾；

3)將所述步驟2)過(guò)濾后的腫瘤組織的miRNA數(shù)據(jù)分別做歸一化處理，得到標(biāo)準(zhǔn)化的腫瘤組織的miRNA數(shù)據(jù)；

4)將所述步驟3)得到的標(biāo)準(zhǔn)化的miRNA數(shù)據(jù)與下載的miRNA成熟序列進(jìn)行序列比對(duì)，分別得到miRNA表達(dá)水平之間的歐式距離矩陣、二級(jí)結(jié)構(gòu)間的差異矩陣和miRNA的序列比對(duì)值矩陣；

5)將所述步驟4)得到的三個(gè)矩陣分別作為網(wǎng)絡(luò)中節(jié)點(diǎn)間的距離，分別構(gòu)建miRNA表達(dá)量網(wǎng)絡(luò)、miRNA結(jié)構(gòu)網(wǎng)絡(luò)和miRNA序列網(wǎng)絡(luò)；

6)比較所述步驟5)中的三個(gè)網(wǎng)絡(luò)的平均邊覆蓋和度分布，得到具有相似二級(jí)結(jié)構(gòu)的miRNA，所述相似二級(jí)結(jié)構(gòu)的miRNA的表達(dá)量也相似；

7)采用隨機(jī)森林模型對(duì)所述步驟2)中得到相同病人的正常組織的miRNA數(shù)據(jù)和腫瘤組織的miRNA的表達(dá)量選擇最佳子集，計(jì)算最佳子集的miRNA的MIC值；

8)基于所述步驟7)的最佳子集miRNA的MIC值分別構(gòu)建正常組織和腫瘤組織的miRNA網(wǎng)絡(luò)；

9)計(jì)算在正常組織和腫瘤組織的miRNA網(wǎng)絡(luò)中同一節(jié)點(diǎn)的節(jié)點(diǎn)介數(shù)，比較并統(tǒng)計(jì)正常組織和腫瘤組織的網(wǎng)絡(luò)中節(jié)點(diǎn)介數(shù)發(fā)生較大變化的點(diǎn)，從而篩選出腫瘤miRNA標(biāo)志物的種類(lèi)。

10)采用最小網(wǎng)格聚類(lèi)方法對(duì)所述步驟4)得到的miRNA序列比對(duì)值矩陣進(jìn)行聚類(lèi)，將序列相似的miRNA聚為一類(lèi)，根據(jù)已知的miRNA的功能推知具有相同序列的miRNA的功能，從而驗(yàn)證篩選出腫瘤miRNA標(biāo)志物的種類(lèi)是否準(zhǔn)確。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟2)中過(guò)濾具體為從挑選的相同病人的正常組織的miRNA數(shù)據(jù)和腫瘤組織的miRNA數(shù)據(jù)中去除miRNA表達(dá)量低于5％的數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟3)中歸一化處理是采用Z標(biāo)準(zhǔn)化處理；Z標(biāo)準(zhǔn)化公式如式I所示：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟5)中構(gòu)建miRNA表達(dá)量網(wǎng)絡(luò)、miRNA結(jié)構(gòu)網(wǎng)絡(luò)和miRNA序列網(wǎng)絡(luò)的方法具體為：miRNA表達(dá)水平之間的歐式距離矩陣、二級(jí)結(jié)構(gòu)間的差異矩陣和miRNA的序列比對(duì)值矩陣，作為網(wǎng)絡(luò)中miRNA結(jié)點(diǎn)間的距離，miRNA表達(dá)量網(wǎng)絡(luò)分為三個(gè)部分構(gòu)建，第一部分所選閾值為25，第二部分所選閾值為33，第三部分所選閾值為161；所述miRNA結(jié)構(gòu)網(wǎng)絡(luò)分為三部分構(gòu)建，第一部分所選閾值為16，第二部分所選閾值為27，第三部分所選閾值為49；所述miRNA序列網(wǎng)絡(luò)一次構(gòu)建完成。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟6)中平均邊覆蓋是采用以下方法進(jìn)行計(jì)算：將復(fù)雜網(wǎng)絡(luò)之間的平均邊覆蓋<o>定義為：

$\&lt;o\&gt;=\frac{1}{k}\underset{i,j}{\&Sigma;}{o}_{l,j},o_{i,j}=\frac{1}{M}\underset{\mathrm{\&alpha;}}{\&Sigma;}{a}_{i,j}^{\&lsqb;\mathrm{\&alpha;}\&rsqb;}$

其中，k為至少在一個(gè)網(wǎng)絡(luò)層中出現(xiàn)的結(jié)點(diǎn)對(duì)數(shù)；a_i,j＝1表示結(jié)點(diǎn)和結(jié)點(diǎn)之間有連邊，a_i,j＝0表示結(jié)點(diǎn)和結(jié)點(diǎn)之間無(wú)連邊；<0>＝1時(shí)表示當(dāng)且僅當(dāng)所有網(wǎng)絡(luò)連邊都相同。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟7)中選擇最佳子集后還包括：十折交叉驗(yàn)證對(duì)數(shù)據(jù)進(jìn)行驗(yàn)證。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟7)中選擇最佳子集是采用隨機(jī)森林模型分類(lèi)器對(duì)miRNA表達(dá)量進(jìn)行過(guò)濾和封裝，對(duì)正常組織和腫瘤組織的miRNA表達(dá)量進(jìn)行特征選擇。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟7)中最佳子集miRNA的MIC值采用如下計(jì)算方法得到：

首先定義兩個(gè)聯(lián)合隨機(jī)變量(X,Y)特征矩陣的分布規(guī)律的性質(zhì)，然后使用G(k,l)表示；k,l均為正整數(shù)；聯(lián)合隨機(jī)變量(X,Y)分布在[0,1]×[0,1]中，定義網(wǎng)格G，使得(X,Y)|G＝(col_G(X),row_G(Y)),所述col_G(X)表示網(wǎng)格G的X軸上的網(wǎng)格列數(shù)，row_G(Y)表示網(wǎng)格G的Y軸上的網(wǎng)格行數(shù)；

$I(X,Y)=\underset{y\&Element;Y}{\&Sigma;}\underset{x\&Element;X}{\&Sigma;}p(x,y)log\left(\frac{p(x,y)}{p\left(x\right)p\left(y\right)}\right)$

其中X,Y表示隨機(jī)變量，p(x,y)表示聯(lián)合概率分布，p(x)p(y)表示邊際概率分布；

最大信息系數(shù)思想：把散點(diǎn)圖中的數(shù)據(jù)用網(wǎng)格進(jìn)行分區(qū)，封存在網(wǎng)格里，計(jì)算變量間的MIC值轉(zhuǎn)化成網(wǎng)格的最佳分區(qū)；

用M(X,Y)表示(X,Y)的群體特征矩陣如式Ⅱ所示：

I^*((X,Y),s,t)＝maxI((X,Y)|G)

$I^{*}\left(\right(X,Y),s,t)=H\left(x\right)+H\left(y\right)-H(x,y)=\underset{y\&Element;Y}{\&Sigma;}\underset{x\&Element;X}{\&Sigma;}p(x,y)log\left(\frac{p(x,y)}{p\left(x\right)p\left(y\right)}\right)$

s·t＜B(n)＝n^0.6

其中：G∈G(k,l)，I(X,Y)，代表的交互信息；n表示數(shù)據(jù)的數(shù)量，s,t分別表示軸和軸分區(qū)的數(shù)量；

所述的MIC值計(jì)算公式為MIC＝max_s.t＜B(n)M(X,Y)_s,t，。

9.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述計(jì)算節(jié)點(diǎn)介數(shù)的方法是采用Matlab程序運(yùn)算。

10.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟10)中最小網(wǎng)格聚類(lèi)方法具體為：

定義：x設(shè)為任一miRNA，Y為miRNA集合，則D(x,Y)＝min_y∈YD(x,y)為到的距離；記[x]為包含miRNA：x的類(lèi)，Γ為所有miRNA的集合；最小網(wǎng)格聚類(lèi)方法如下：

(1)求(x₁,x₂)＝argmax_x,yD(x,y)，設(shè)x₁,y₁為兩個(gè)初始類(lèi)，CL₁＝[x₁]，CL₂＝[x₂]。C₁＝{CL₁,CL₂}，R₁＝Γ\C₁，集合R₁為剩下的miRNA集合；

(2)n步以后，可得C_n＝{CL₁,CL₂,…,CL_n+1}，R_n＝Γ\C_n，其中CL_i為單點(diǎn)類(lèi)，i＝1,2,…,n+1，在n+1步，設(shè)為剩余miRNA與集合距離，若MD>ε，ε為設(shè)定的最小網(wǎng)格閾值，需找設(shè)C_n+1＝{C_n,x_MD}，R_n+1＝Γ\C_n+1，直到滿(mǎn)足MD＜ε；

(3)假設(shè)上述步驟在N步停止，有C_N＝{CL₁,CL₂,…,CL_N+1}，對(duì)于任意x∈R_N的，尋找與其距離最近的類(lèi)，若y_k∈CL_k則是CL_k類(lèi)；

定義：設(shè)CL_i為任一個(gè)聚類(lèi)，則，為聚類(lèi)CL_i的半徑。