基因表達數(shù)據(jù)分析和處理關(guān)鍵技術(shù).pdf

1、基因表達水平是衡量基因功能活動的重要指標?；虮磉_的信息是理解基因功能和基因調(diào)控的潛在機制的一個重要線索?；蛐酒ㄎ㈥嚵校┚哂性趩我坏膶嶒炛胁⑿械貦z測任何細胞或組織類型中成千上萬個基因的表達水平的能力，已經(jīng)成為生物學和醫(yī)學研究領(lǐng)域中常用的技術(shù)。隨著微陣列的成熟和大量使用，產(chǎn)生了大量的基因表達數(shù)據(jù)?；虮磉_數(shù)據(jù)不同于常見的科研數(shù)據(jù)，有其獨特的特點：小樣本、超高維、高噪音、變異性、基因間高冗余和高度關(guān)聯(lián)、基因的知識不精確和不完全。這些特點

2、使得對基因表達數(shù)據(jù)的分析和處理成為生物信息學領(lǐng)域中的一個重要挑戰(zhàn)之一。本文針對基因表達數(shù)據(jù)的分析和處理技術(shù)進行了研究，主要研究成果如下：
　　由于多種原因，基因表達數(shù)據(jù)（微陣列數(shù)據(jù)）中經(jīng)常出現(xiàn)缺失值，對缺失數(shù)據(jù)的處理是基因表達數(shù)據(jù)處理和分析中的一個重要的步驟。本文提出一個基于偏最小二乘方法的缺失數(shù)據(jù)估計方法，并且針對應(yīng)用偏最小二乘方法是為了預測缺失數(shù)據(jù)這唯一目的，提出了一個快速的缺失數(shù)據(jù)估計算法。由于偏最小二乘方法有兩個顯著的優(yōu)點

3、：一對變量和樣本的數(shù)目沒有限制，二可以有效地減少相似基因間的多重相關(guān)性對預測能力的負面影響，本文所提出的方法適合處理微陣列數(shù)據(jù)。實驗結(jié)果表明所提出的方法是一個有效的穩(wěn)健的缺失數(shù)據(jù)估計方法。
　　在基因表達數(shù)據(jù)分析中，鑒別基因是后續(xù)研究中非常重要的信息基因，有很多研究致力于從基因表達數(shù)據(jù)中選出信息基因這一挑戰(zhàn)性工作。然而這些方法都沒有考慮不同樣本類別中樣本大小的不平衡性問題?？紤]樣本不平衡性和基因選擇方法的穩(wěn)定性，提出兩個全新的與數(shù)

4、據(jù)分布模型無關(guān)的基因選擇方法。在類內(nèi)變化小和類間差別大的策略下，選擇敏感的度量函數(shù)提高方法的鑒別能力；同時，利用類內(nèi)變化和類間差別的一致性來增加方法的穩(wěn)定性和適用性。這一方法不但可以應(yīng)用于兩個類別的情況，也可以應(yīng)用于多個類別的情況。最后，使用兩組真實的基因表達數(shù)據(jù)對所提出的方法進行了驗證。實驗結(jié)果表明，這一方法比其他方法具有更高的有效性和穩(wěn)健性。
　　精確可靠的樣本分類是基因表達數(shù)據(jù)分析中的一個重要問題。利用支持向量機方法在解決小

5、樣本、非線性、高維模式識別問題中的優(yōu)勢，同時利用樹型結(jié)構(gòu)的層次關(guān)系克服支持向量機方法本身沒有生物學意義的缺陷，本文提出了基于類別樹和支持向量機的多類分類算法，完全不同于單獨考慮每個類的方法。這一方法考慮類別樣本間的相互關(guān)系，充分利用類別標簽這一先驗知識構(gòu)建一棵樣本類別樹，然后沿著樹進行基因選擇。最后由類別樹和選出的基因訓練基于支持向量機的分類器。我們的算法要處理的樣本少，時間復雜性低，分類精度更高，選出的基因子集具有更好的針對性，結(jié)合樹

6、的層次關(guān)系，提供了更強的生物學意義。本文提出的算法用一個公共可得到的真實數(shù)據(jù)集進行了測試，結(jié)果表明分類能力優(yōu)于先前證實表現(xiàn)最好的OVA方法。
　　識別差異表達基因是基因表達數(shù)據(jù)分析中的一個核心問題，很多研究人員提出了多個差異表達基因的識別方法，然而沒有一個方法考慮了樣本不平衡問題，也沒有研究和數(shù)量化的方法來調(diào)查樣本不平衡對差異表達基因檢測的影響。事實上，樣本不平衡經(jīng)常出現(xiàn)在基因表達數(shù)據(jù)中。本文提出一個新穎的問題，即樣本不平衡對識別

7、差異表達基因的影響。本文給出兩個基于統(tǒng)計抽樣的評價模型來研究這一問題，并且在真實數(shù)據(jù)和模擬數(shù)據(jù)上比較六個典型的方法性能。研究結(jié)果表明，隨著不平衡程度的增加，差異表達基因的識別效果越來越差，并且不同的方法受樣本不平衡的影響的差異程度很大，差異表達基因的研究中有必要考慮樣本不平衡問題。所提出的評價模型和研究結(jié)果可以用來幫助設(shè)計微陣列實驗，也可以用來選擇合適的方法來處理樣本不平衡的數(shù)據(jù)。
　　樣本個體中生物學和遺傳學的變異性會影響基因的

8、表達水平，進而導致這個基因在樣本中不穩(wěn)定的表達。這種表達不穩(wěn)定的基因是探索潛在的生物學奧秘和癌癥起因的重要線索。本文提出一個新穎的問題，即通過集成分析來自相同研究問題的不同數(shù)據(jù)集來識別表達不穩(wěn)定的基因。我們把這一問題形式化為一個非線性整數(shù)（0-1）規(guī)劃問題，優(yōu)化目標是最大化所構(gòu)造的多維目標函數(shù)，其優(yōu)化解是一個多維二元向量，其中每個維度對應(yīng)于一個特定的基因。三個近似的算法被提出來求解這一非線性整數(shù)優(yōu)化問題，進一步地我們設(shè)計了一個統(tǒng)計量來度