基因表达数据的聚类分析研究进展

基因表达数据的爆炸性增长迫切需求自动、有效的数据分析工具.目前聚类分析己成为分析基因表达数据获取生物学信息的有力工具.为了更好地挖掘基因表达数据,近年来提出了许多改进的传统聚类算法和新聚类算法.本文首先简单介绍了基因表达数据的获取和表示,之后系统地介绍了近年来应用在基因表达数据分析中的聚类算法.根据聚类目标的不同将算法分为基于基因的聚类、基于样本的聚类和两路聚类,并对每类算法介绍了其生物学的含义及其难点,详细讨论了各种算法的基本原理及优缺点.最后总结了当前的基因表达数据的聚类分析方法,并对发展趋势作了进一步的展望.

基于元分析的差异表达基因识别

针对传统差异表达基因识别方法不能处理异质性数据集以及分析结果偏差较大的问题,提出了一个基于元分析及标准差过滤技术的差异表达基因识别算法标准差排序分析(RS-DM)。对来自于不同实验平台的数据进行整合分析,过滤掉伪差异表达基因PDEGs,并找出遗失的真正的差异表达基因TDEGs。经实验验证,算法简单有效。

基于计算智能的基因表达数据聚类分析研究进展

基因表达数据聚类是发现基因功能和确立基因调控网络的重要方法,计算智能在该领域的应用为分析大量基因数据提供了新途径.本文根据基因表达数据的特点,提出了基因表达数据聚类领域的关键问题,探讨了基于计算智能的基因表达数据聚类基本框架,综述了计算智能在基因数据聚类领域的应用现状,最后指出了在基因数据聚类领域计算智能方法未来的发展方向.

基于图论的DNA微阵列数据聚类算法

传统的聚类算法用于DNA微阵列数据分析时,多数只能生成一种聚类结果,无法识别出与多组不同基因表达模式相类似的基因。针对该问题,提出一种基于图论的聚类算法,采用一个有向无权图来描述需要分析的DNA微阵列数据,分别计算该图具有最小割权值和第二小割权值的图割。测试结果表明,该算法可以有效地探测聚类结果空间并输出一组可能性较高的聚类结果,与Fuzzy-Max、Fuzzy-Alpha、Fuzzy-Clust等聚类算法相比具有更高的准确性。

最小支撑树算法在基因表达数据聚类分析中的应用

聚类分析已成为对基因表达数据进行挖掘以提取生物医学信息的主要方法。本文提出了基于图论的最小支撑树(Minimum spanning tree,MST)聚类算法,用MST表示多维基因表达数据,可将数据的聚类转换为对最小支撑树的分割,相对于传统聚类方法,最小支撑树算法具有形象直观、对一些准则函数能产生全局最优解等优点;将MST算法分别与Memetic algorithm及人工免疫算法(Artificial immune network,aiNet)相结合,则产生更优化的聚类结果。对酵母基因表达数据的实验结果表明,最小支撑树聚类算法是一种有效的基因表达数据的聚类方法。

聚类算法在基因表达数据分析中的应用研究

针对传统聚类算法在基因表达数据处理中的不足之处,讨论了与计算智能技术相关的两种算法:模糊C均值算法(FCM)和遗传K均值算法(GKA),对FCM算法中类别数c和模糊指数m的选取进行了比较深入的研究,最后用实验数据对各算法性能进行了分析和比较。

模糊C-均值聚类分析在基因表达数据分析中的应用

为更好地挖掘基因表达数据、获取更多的生物学信息,近年来许多改进的传统聚类算法和新聚类算法不断涌现。模糊聚类在聚类分析中又具有广泛的意义和重要的应用价值。叙述基因表达数据的获取和表达,介绍应用在基因表达数据中的模糊C均值聚类算法以及不同的实现途径和相应的优缺点,简述聚类结果的评价问题,并对发展趋势做进一步的展望。

基于MPI的基因芯片数据处理模型

介绍了高性能计算和基因芯片的基本概念,分析了基因芯片数据处理海量信息以及处理流程上适于采用并行算法的特点,根据当前生物信息软件普遍单机运行、处理时间长、效率低下的现状,提出了一种基于MPI并行计算方法的基因芯片数据处理模型。详细论述了该模型的运行环境、设计思想、系统结构、和功能模块,数学验证了其可行性,并对编码时使用的数据结构进行了简单介绍。最后,展示了系统运行的部分结果,与普通单机运行进行了运行性能的比较,并总结了并行运算下基因芯片数据处理的优点和问题。

基于基因表达数据的双聚类分析研究

基因芯片及高通量技术的广泛应用产生了大量的基因表达数据,海量数据蕴涵着非常丰富的生物信息,利用聚类分析可以有效分析蕴含在其中的规律和知识。然而,基因表达数据普遍为高维稀疏矩阵,传统单聚类分析很难寻找到隐藏在海量基因表达数据的局部有用信息。为了更好地挖掘海量数据中有用的局部信息,人们从思想上提出了有别于传统的聚类算法的双聚类概念,其主要强调在聚类时基因和条件的同时性。