基因表達譜的數(shù)據(jù)挖掘技術(shù)研究及應用.pdf

1、基因芯片是現(xiàn)代分子生物學、生物信息學、材料學、計算機科學及微加工技術(shù)等領(lǐng)域的高新技術(shù)相結(jié)合的產(chǎn)物。通過基因表達技術(shù)可以同時觀測到在某一生命現(xiàn)象中成千上萬個基因的動態(tài)表達水平，由此產(chǎn)生了海量的數(shù)據(jù)。使用數(shù)據(jù)挖掘技術(shù)分析這些數(shù)據(jù)可以得到有用的知識，從而在基因組水平上以系統(tǒng)的、全局的觀念去研究生命現(xiàn)象及其本質(zhì)?；虮磉_譜上的數(shù)據(jù)挖掘技術(shù)的研究和應用已成為熱點問題。應用于基因表達譜上的數(shù)據(jù)挖掘技術(shù)主要有聚類、分類以及基因調(diào)控網(wǎng)絡(luò)建模等。本文針對

2、基因表達譜數(shù)據(jù)的預處理、聚類及有效性分析、分類、調(diào)控網(wǎng)絡(luò)建模等方面開展研究。 本文討論了使用主成份分析方法和小波變換方法對基因表達數(shù)據(jù)進行預處理，實現(xiàn)基因表達數(shù)據(jù)的降維和去噪，便于數(shù)據(jù)可視化，并能提高數(shù)據(jù)挖掘算法的性能。 本文研究了yeung提出的用于聚類有效性檢驗的FOM方法，并針對FOM方法的不足，提出了EFOM方法。針對基于模型的聚類方法分析基因表達譜數(shù)據(jù)，文中主要討論了自組織圖模型和高斯混合模型如何應用于基因表達

3、數(shù)據(jù)的聚類分析，并針對如何進行模型選擇從而確定最佳的類別數(shù)目進行了研究。由于高斯混合模型的訓練算法復雜度較高，通過主成份分析降維后不但降低了聚類的算法復雜度，而且聚類效果有所提高。 本文討論了基因表達譜數(shù)據(jù)的分類分析方法，其中包括基于基因的分類分析和基于樣本的分類，針對基因選擇方法對分類正確率的影響進行了實驗研究。另外，為了解決分類準確率低且分類器泛化能力差這一問題，本文討論并通過實驗分析了基于樣本擾動的多分類器集成方法，并在此

4、基礎(chǔ)上提出基于小波變換的樣本擾動的多分類器集成方法，取得了良好的結(jié)果。 本文討論了如何采用布爾網(wǎng)絡(luò)模型進行基因調(diào)控網(wǎng)絡(luò)建模。在akutsu提出的基因網(wǎng)絡(luò)的辨識算法以及l(fā)iang提出的REVEAL算法的基礎(chǔ)上，提出了在集群環(huán)境下的并行算法，并就如何提高加速比進行了討論。在集群系統(tǒng)——南開之星上實現(xiàn)的并行算法，加速比達到了理想效果。 基于本文的研究工作，設(shè)計和開發(fā)了基因挖掘系統(tǒng)GeneMiner。GeneMiner實現(xiàn)了基于