基于多源信息融合的基因表達(dá)數(shù)據(jù)聚類分析.pdf

1、基因表達(dá)數(shù)據(jù)是通過DNA微陣列技術(shù)獲得的關(guān)于一組基因表達(dá)過程及其調(diào)控信息的定量描述。研究基因表達(dá)數(shù)據(jù)，獲取有意義的基因簇，對于研究生物現(xiàn)象背后的本質(zhì)、遺傳性疾病的診斷等有著重要意義。然而，由于基因表達(dá)數(shù)據(jù)中樣本數(shù)遠(yuǎn)遠(yuǎn)小于觀測的基因個數(shù)的特性及其在采集過程中產(chǎn)生的噪音數(shù)據(jù)使得單一依靠該數(shù)據(jù)源進(jìn)行的聚類分析往往缺乏穩(wěn)定性、可靠性，從而影響了預(yù)測的準(zhǔn)確性。 本文從多源信息融合的角度來研究基因表達(dá)數(shù)據(jù)的聚類分析技術(shù)，融合基因本體(GO)

2、，KEGG pathway等信息，以求獲得穩(wěn)定、可靠、共表達(dá)的基因類簇。其主要工作如下： 1.選擇網(wǎng)上公用的YEAST基因組數(shù)據(jù)作為測試數(shù)據(jù)，采用潛在語義分析方法對YEAST基因組的基因表達(dá)數(shù)據(jù)進(jìn)行降維和去噪處理，并用歐氏距離的方法對數(shù)據(jù)相似性進(jìn)行了度量；我們采用語義相似性度量的方法計算基因本體數(shù)據(jù)的相似性，并用Bioconductor軟件對基因本體數(shù)據(jù)的相似性進(jìn)行了度量。 2.使用線性融合方法，從相似性度量的角度融合Y

3、EAST基因組的表達(dá)數(shù)據(jù)、本體數(shù)據(jù)，并用PAM(中心點劃分)算法對基因表達(dá)數(shù)據(jù)，融合數(shù)據(jù)分別進(jìn)行了聚類。結(jié)果表明線性融合算法可以大大提高基因表達(dá)數(shù)據(jù)的聚類效果。 3.針對線性融合方法無法確定融合系數(shù)的問題，提出一種新的基于排列的融合方法。該方法將基因表達(dá)、基因本體的相似性度量值按大小排列的順序給定序號，將序號作為融合系數(shù)進(jìn)行數(shù)據(jù)的融合。從而可以自動獲得融合的系數(shù)，算法上更具操作性。 4.針對普通評價方法無法從功能上來評價

4、基因表達(dá)數(shù)據(jù)聚類的有效性問題，提出用KEGG pathway數(shù)據(jù)從生物的生化功能上來評價聚類結(jié)果的有效性和意義。使用KEGG pathway方法進(jìn)行評價時，證明半數(shù)以上的類別是可學(xué)習(xí)的。 本文從多源信息融合的角度對基因表達(dá)數(shù)據(jù)進(jìn)行聚類分析和評價，獲得了較好的實驗結(jié)果。然而融合的策略相對來說，還是比較簡單，對各部分?jǐn)?shù)據(jù)源在聚類效果中所起的作用還缺乏系統(tǒng)的理論證明。所以下一步的工作是：一方面，通過實驗的方法，對更多的基因組數(shù)據(jù)進(jìn)行測