數據挖掘的建模及在生物信息學中的應用研究.pdf

1、近十幾年,隨著科學技術的飛速發(fā)展,經濟和社會都取得了極大的進步,與此同時,在各個領域產生了大量的數據。為了從如此大量的數據中發(fā)現有價值的知識及規(guī)律,人們結合統計學、數據庫、機器學習等技術,提出數據挖掘技術來解決這一難題。 聚類分析是數據挖掘研究中的重要內容,成為各學科研究中的重要工具。但在現實生活中,常常遇到高維數據集的處理且在大多數情況下,這些數據集對于各個聚類存在屬性不平衡的現象。根據這一點,本文提出在核特征空間中的屬性加權

2、核聚類算法,實驗表明新聚類算法能很好地反映各屬性對于各個聚類的重要性,因而取得了比傳統聚類算法更好的結果.傳統聚類算法的應用對象往往局限于單一獨立的數據集,但在很多情況下一個數據集要和其他數據集相互發(fā)生關聯?；谛畔⒗碚?本文提出的合作聚類算法反映了數據集間的相互作用關系,結果表明聚類結果將受到其他數據集的影響。在人類世界中,人眼是最有效的獲取知識的器官,也是最有效的聚類機制。因此模仿人眼的工作原理將為研究聚類分析提供一個非常好的平臺。

3、本文通過模擬人眼非均勻采樣的特點,提出一新穎的視覺聚類分析算法,該算法對于解決聚類分析結果評價的有效性等有著重要的參考意義。 隨著生物科學技術在近幾年的發(fā)展,產生了大量的生物數據。利用傳統的生物實驗方法將不能滿足目前處理如此多生物數據的需要。在這種情況下,生物信息學應運而生。生物信息學是計算機科學與生物科學的交叉學科,成為目前研究的熱點.諸多數據挖掘技術,如聚類分析、機器學習等,也成為生物信息研究中的重要內容。文章在分析了前人利

4、用“無監(jiān)督”模糊C均值聚類算法在預測分析蛋白質結構方面的缺陷的基礎上,提出了一種”有監(jiān)督“的聚類算法用來預測蛋白質結構。實驗表明,利用了訓練數據類別標號的"有監(jiān)督"聚類算法的分類精度比"無監(jiān)督"聚類算法有很大提高.通過這一點表明,在缺乏數據樣本類別標號時,"無監(jiān)督"聚類算法是一種優(yōu)秀的分析工具,但如果先驗知識預先知道訓練樣本的類別標號,采用“有監(jiān)督”的學習算法將更加有效。 在蛋白組學的研究中,一個重要的課題是如何離散化蛋白序列,

5、從而能為計算機所識別處理。諸多實驗表明,偽氨基酸離散模型比傳統20-D氨基酸離散模型包含更多的序列順序信息,因而大大地提高了各類算法在蛋白質屬性上的預測分析精度。但如何確定偽氨基酸成分的維數一直是困擾各位研究人員的問題。本文提出了集成分類器框架方案,通過集成多個不同維數的偽氨基酸離散化模型,解決了維數選擇問題,大量實驗表明在大多數情況下,由于從不同角度抓住問題的核心,集成分類器比任何單一維數的分析精度都要高。隨著生命科學、生命數據庫的發(fā)

6、展,近幾年Gene Ontology(GO)數據庫得到了長足的發(fā)展。GO數據庫是一綜合多種不同數據庫的蛋白表達數據庫。本文利用GO蛋白的離散模型預測分析蛋白亞細胞位置,由于GO離散模型更能反映蛋白亞細胞位置的特性,因此取得了比其他離散化模型更好的效果。另外,本文所建立的數據集覆蓋了目前該領域研究中最多的亞細胞位置,大大擴大了該項研究的實際應用意義。為了更好地使廣大生物學家應用本文生物信息學研究的成果,文章建立了多個在線生物信息預測分析網

7、站,經不完全統計,已有來自美國、英國、荷蘭、澳大利亞以及中國等世界各地的研究科學家通過互聯網訪問并使用所建立的在線生物信息服務網站,為科學研究的快速發(fā)展提供了強有力的支持。 本文的創(chuàng)新性表現在: (1) 提出高維核空間屬性加權核聚類算法,并從理論上證明了收斂性； (2) 討論了合作聚類模型,該模型在研究實際社會中的關聯模型上有重要意義； (3) 通過模擬生物人眼非均勻采樣的特點,提出一種新穎的視覺聚

8、類算法； (4) 提出基于“有監(jiān)督”聚類算法的蛋白結構預測模型； (5) 提出集成分類器框架模型,有效地解決了偽氨基酸蛋白離散模型的維數選擇問題；通過在諸多應用對象、算法上的實驗表明,該框架是切實可行的； (6)采用新型的GO蛋白離散模型分析預測蛋白亞細胞位置。該文所研究的細胞位置數目是目前該研究領域最多的,進一步加強了該研究的實際應用意義；另外,本文的研究涵蓋了多個應用對象,如人類細胞、植物細胞、細菌細胞