基于基因表达谱,在分子水平上对肿瘤进行分析和研究是当前生物信息学研究的重要课题。本文从系统科学和信息科学的角度,采用模式识别,机器学习和计算机技术,从胃癌与胃正常组织的样本分类入手就胃癌分类特征基因的选取问题进行了分析和研究,并取得了如下成果： 第一,针对胃癌分类特征基因选取的研究本文将RFE_Relief方法应用到了胃癌特征基因选取上。该方法是在Relief方法的基础上借鉴递归特征排除(Recursive Feature Elimination,RFE)策略得到的。利用RFE_Relief方法进行分类特征基因的选取时,首先计算基因集合中的所有基因的分类权重,去掉具有最小权重的那个基因,然后重新计算剩余基因的权重,再去掉具有最小权重的基因,如此循环下去。通过实验选取出了10个具有较好分类能力的特征基因。与目前其他特征基因选取方法(如S2N、t-test、Relief_A、RFE_Relief)相比较,结果表明RFE_Relief方法选取出的基因个数更少,包含的分类信息更多。 第二,针对胃癌预测模型的研究本文进行了胃癌预测模型的研究,并建立了两种胃癌预测模型,分别为k-近邻法模型和支持相量机(SVM)模型。利用上一步确定了的10个基因的特征集合来验证这两种预测模型上的分类准确率,结果表明这两种预测模型均可取得百分之百的预测准确率。该结果表明了上一步所选特征基因具有良好的样本分类能力。 本文的研究有助于胃癌与基因关系的理解,有助于胃癌分类特征基因的选取,胃癌的分类。