基因表達數(shù)據(jù)的若干挖掘方法研究.pdf

1、微陣列技術(shù)是近年來分子生物學(xué)實驗技術(shù)的一個突破，利用該技術(shù)可以對成千上萬個基因的表達進行平行分析。這些基因表達數(shù)據(jù)通常構(gòu)成一個數(shù)據(jù)矩陣，對這些矩陣進行分析和挖掘，才能得到潛在的生物學(xué)過程信息?；虮磉_數(shù)據(jù)的挖掘是生物信息學(xué)的研究熱點和難點。 在對基因表達數(shù)據(jù)分析中，雙向聚類與頻繁模式的挖掘是非常重要的操作。通過雙向聚類技術(shù)，對基因進行聚類。在同一簇中的基因都具有類似的特征，根據(jù)已知的功能基因，能得出同聚類中其他基因的功能。同時，

2、基因表達數(shù)據(jù)的關(guān)聯(lián)規(guī)則分析還可以發(fā)現(xiàn)若干個基因在多個樣本之間的強弱關(guān)聯(lián)關(guān)系。挖掘基因表達的頻繁模式能找出它們之間的關(guān)聯(lián)關(guān)系。 由于基因表達數(shù)據(jù)的數(shù)據(jù)量多，計算量大的特點，對數(shù)據(jù)的處理要求較高。本文主要對如下幾個方面的問題進行了深入研究，提出了相應(yīng)的解決算法。實驗表明這些方法簡明有效。 首先，提出了解決確定性雙向聚類問題的ACA biclustering算法。將蟻群算法ACA運用到雙向聚類問題中，給定參數(shù)K，找到K個滿足閾

3、值的聚類。將N行與M列編碼成一個長度為Ⅳ+M的字符串。字符串表示出了基因表達數(shù)據(jù)矩陣中包含的聚類，聚類所在的行或列編碼成1，否則0，每個字符表示一個節(jié)點。某一節(jié)點上聚集的信息素越多，則該節(jié)點被選擇的概率就越大。首先，列出了初始的K個字符串。根據(jù)添加/移除此節(jié)點是否能最好提高聚類的質(zhì)量為標(biāo)準，從第一列的K個節(jié)點中選擇出某個節(jié)點，直至最后一列N+M這樣，每只螞蟻的結(jié)果對應(yīng)了對K個初始聚類質(zhì)量的改進。比較所有螞蟻的執(zhí)行結(jié)果，保留最優(yōu)解。再進行

4、下一輪的選擇，直到解的質(zhì)量不再提高為止。與其他類似的算法相比，本算法不僅能夠得到精確的結(jié)果，而且在速度和效率上也有了很大的提高。 其次，為了解決不確定性雙向聚類問題，提出了基于合并的確定性雙向聚類算法MDBC算法。基因表達數(shù)據(jù)的行數(shù)遠遠大于列數(shù)，我們的算法僅對每兩列聚類。應(yīng)用剪枝策略對得到的這些聚類進行篩選。再建立索引樹，根據(jù)此類聚類的反單調(diào)性，采用合并的方法對這些包含列數(shù)最少的小聚類進行合并，得出所有滿足閾值的聚類。對增量數(shù)據(jù)

5、問題，無需對所有數(shù)據(jù)重新聚類。仍采用合并的方法，只需聚類增量數(shù)據(jù)，再和已有聚類進行合并，這樣能快速得出數(shù)據(jù)增加下的所有聚類。最后，對基因表達數(shù)據(jù)的頻繁閉合模式的挖掘問題進行了深入的研究，提出了高維數(shù)據(jù)頻繁閉合模式挖掘算法EMHCP。將事務(wù)集的概念應(yīng)用到基因表達數(shù)據(jù)中，不同的實驗條件對應(yīng)了不同事件集。針對基因表達數(shù)據(jù)維度高的特點，首先建立位圖轉(zhuǎn)化表，快速得到在兩個事務(wù)中出現(xiàn)的項目集，根據(jù)這些項目集，建立行集項目集混合樹。在構(gòu)建混合樹的同時