基于貝葉斯網(wǎng)絡(luò)的微陣列數(shù)據(jù)研究.pdf

1、隨著人類基因組序列草圖的完成，有關(guān)功能基因組的研究在生命科學領(lǐng)域中占據(jù)越來越重要的地位。闡明基因選擇性表達所依賴的調(diào)控信息及其相互作用的分子機制，成為揭示生命現(xiàn)象本質(zhì)的核心問題，是功能組研究的重要內(nèi)容。隨著基因組學研究的深入展開，基因的表達調(diào)控研究已經(jīng)從單個基因、線性的調(diào)控拓展到立體層面上多基因、基因簇乃至整個基因組的調(diào)控網(wǎng)絡(luò)。如何有效地利用現(xiàn)已有的基因組學數(shù)據(jù)，充分整合多學科的思路，建立新的試驗系統(tǒng)和技術(shù)體系，闡明基因組表達的調(diào)控網(wǎng)絡(luò)

2、，分析基因之間的相互制約關(guān)系，已經(jīng)成為功能基因組學領(lǐng)域內(nèi)國際競爭的焦點。
　　 貝葉斯網(wǎng)絡(luò)方法將概率理論知識與圖論結(jié)合，其有圖形化表示、因果關(guān)系清晰以及不確定性推理等優(yōu)點，本文將貝葉斯網(wǎng)絡(luò)引入到微陣列數(shù)據(jù)中并進行分析，從概率角度描述了各基因間的依賴關(guān)系，從而闡明了整個基因組之間的調(diào)控網(wǎng)絡(luò)。
　　 本文首先闡述了貝葉斯網(wǎng)絡(luò)的基本概念、發(fā)展歷史和分類情況及其特點，以及貝葉斯網(wǎng)絡(luò)構(gòu)造的一些基本方法，詳細闡述了貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學

3、習和參數(shù)學習的原理，然后分幾種情況將結(jié)構(gòu)學習與參數(shù)學習相結(jié)合來建立表示基因之間相互影響的貝葉斯網(wǎng)絡(luò)模型。在實例分析中，本文詳細描述了微陣列數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)模型構(gòu)建的整個流程。本文將基因表達譜數(shù)據(jù)進行了三值離散化后構(gòu)建貝葉斯網(wǎng)絡(luò)，并分析了具有較多子結(jié)點的幾個基因在網(wǎng)絡(luò)中的作用與影響。
　　 本文主要進行了以下幾個方面的研究：
　　 (1)在完整數(shù)據(jù)集中，使用貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習中的K2算法進行結(jié)構(gòu)學習研究，由于K2需要事先確

4、定各結(jié)點間的的排序問題，此時采用決策樹算法完成排序問題，從而提高了學習效率。并在網(wǎng)絡(luò)學習過程中討論了設(shè)置最大父結(jié)點的個數(shù)問題。通過結(jié)構(gòu)學習最終獲得了可反映基因之間調(diào)控關(guān)系的貝葉斯網(wǎng)絡(luò)模型，在此基礎(chǔ)上，使用極大似然方法進行參數(shù)估計，從而掌握基因間的后驗概率。最后求出貝葉斯等價類，找到在原來的網(wǎng)絡(luò)中可以反轉(zhuǎn)的有向弧，從而可以在通過實驗等手段獲得先驗知識后進行網(wǎng)絡(luò)結(jié)構(gòu)的相應(yīng)調(diào)整，這樣做不影響網(wǎng)絡(luò)的結(jié)構(gòu)，更具有實用性。
　　 (2)在有

5、先驗知識即已知網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，通過對數(shù)據(jù)隨機分別設(shè)置1/3，1/4，1/5的缺失值，使用期望最大化算法進行參數(shù)學習，獲得期望最大化算法對含缺失值數(shù)據(jù)的處理能力。
　　 (3)在無先驗知識又含有缺失數(shù)據(jù)的的基礎(chǔ)上，使用結(jié)構(gòu)期望最大化算法進行了完整的學習得到了網(wǎng)絡(luò)結(jié)構(gòu)和相應(yīng)的參數(shù)結(jié)構(gòu)，并獲得了結(jié)構(gòu)期望最大化算法的處理能力。
　　 貝葉斯網(wǎng)絡(luò)有著很好的理論知識和清楚的知識表達形式，是不確定性研究的一種重要方法，在數(shù)據(jù)挖掘中有