生物基因表達(dá)數(shù)據(jù)分析與建模方法研究.pdf

1、人類基因組計劃的實施和基因芯片技術(shù)的發(fā)展促生了海量的生物數(shù)據(jù)，為解決各種生物數(shù)據(jù)的存儲、處理、理解等問題，一門新興交叉學(xué)科-生物信息學(xué)應(yīng)運而生。它綜合運用數(shù)學(xué)、計算機(jī)和生物技術(shù)，對生物信息的獲取、加工、存儲、管理、分析和解讀，理解數(shù)據(jù)的生物學(xué)含義。生物信息學(xué)在后基因組時代的研究內(nèi)容轉(zhuǎn)移到在系統(tǒng)水平上分析基因之間的相互調(diào)控機(jī)制，并在此基礎(chǔ)上構(gòu)建調(diào)控網(wǎng)絡(luò)，發(fā)現(xiàn)基因的功能，揭示生命的秘密。本文以酵母細(xì)胞生長周期的表達(dá)數(shù)據(jù)集為研究對象，從信息提

2、取與處理的角度，研究了生物基因表達(dá)數(shù)據(jù)的處理分析和調(diào)控網(wǎng)絡(luò)構(gòu)建方法，主要的研究內(nèi)容包括：
　　 1)由于實驗或者人為等因素，在基因表達(dá)數(shù)據(jù)中不可避免的存在缺失數(shù)據(jù)，后續(xù)的處理往往要求數(shù)據(jù)的完整的，因此需要利用已有的數(shù)據(jù)對缺失數(shù)據(jù)進(jìn)行有效地估計。目前的缺失值估計算法可以較有效的估計缺失值，但存在精度不高，計算復(fù)雜，沒有充分利用已知數(shù)據(jù)等不足之處，本文提出了基于雙聚類的缺失值處理算法，發(fā)掘出基因在局部實驗條件上相關(guān)的雙聚類，利用最小

3、化該雙聚類的相關(guān)性評價準(zhǔn)則對缺失值進(jìn)行快速準(zhǔn)確的估計，同時也提高了雙聚類的質(zhì)量。
　　 2)基因表達(dá)譜數(shù)據(jù)量大，維數(shù)高，要挖掘出數(shù)據(jù)背后的信息，識別和分類基因功能，聚類是主要的分析手段，其最終目的是尋找多類目標(biāo)樣本集的最佳劃分，同一類一般是具有已知功能的基因，這樣可以利用聚類來對未知功能的基因進(jìn)行劃分和辨識。針對常用的聚類算法需要預(yù)先指定聚類數(shù)目、對邊界和噪聲數(shù)據(jù)敏感以及存在誤判問題：如果需要加入新的類別，必然影響整個系統(tǒng)。采用

4、支持向量數(shù)據(jù)描述算法通過尋找覆蓋樣本在特征空間的最優(yōu)超球?qū)崿F(xiàn)對數(shù)據(jù)的聚類，將聚類有效性評價準(zhǔn)則作為尋找支持向量數(shù)據(jù)描述參數(shù)的目標(biāo)函數(shù)，通過模擬退火優(yōu)化算法尋找最佳參數(shù)，不僅減少了誤判率，新類別的介入也不需重新訓(xùn)練全部樣本。本文在研究上述問題的過程中，提出了一種基于邊界能量函數(shù)自動搜索超球邊界的算法，避免參數(shù)尋優(yōu)的繁瑣，提高了運算速度。
　　 3)傳統(tǒng)的聚類算法是利用一些相似性的度量指標(biāo)對基因在全部的條件下進(jìn)行聚類，然而隨著基因規(guī)

5、模和條件數(shù)目的增長，要求基因在所有的條件下具有相似性不太實際，同時，一個基因或樣本只能屬于一個類別，這種互異的結(jié)果與實際基因可能參與到多個生物進(jìn)程的現(xiàn)象并不相符。對基因和條件同時進(jìn)行雙聚類，不僅可以在高維數(shù)據(jù)集中發(fā)現(xiàn)局部的相似信息，而且雙聚類之間允許重疊，可以反映基因的多功能性?，F(xiàn)有的雙聚類算法基于均方殘差的準(zhǔn)則，通過貪婪算法或者智能算法，得到最后的雙聚類結(jié)果，本文采用多目標(biāo)優(yōu)化算法，以雙聚類的規(guī)模和均方殘差與行方差之比作為目標(biāo)函數(shù)，在

6、文化算法的框架中改進(jìn)了多樣性維護(hù)策略和選擇機(jī)制，進(jìn)行多目標(biāo)優(yōu)化，最后得到表達(dá)一致的基因雙聚類簇。
　　 4)建立基因調(diào)控網(wǎng)絡(luò)模型的目的即是為了幫助從系統(tǒng)水平上研究基因之間的相互作用關(guān)系，從而發(fā)現(xiàn)基因的新功能，認(rèn)識復(fù)雜的生命現(xiàn)象，構(gòu)建基因調(diào)控網(wǎng)絡(luò)是是從基因表達(dá)數(shù)據(jù)到數(shù)學(xué)模型的逆向工程，現(xiàn)有的調(diào)控模型中，微分方程最為靈活，能夠描述復(fù)雜的調(diào)控關(guān)系，本文以分?jǐn)?shù)階微分方程為對象，采用人工魚群算法進(jìn)化微分方程模型的右端項，尋找適合于實驗數(shù)據(jù)

7、的調(diào)控模型和參數(shù)，并對算法的自適應(yīng)策略進(jìn)行改進(jìn)，實驗結(jié)果表明本文模型可以大大提高數(shù)據(jù)擬合精度。
　　 5)隨機(jī)網(wǎng)絡(luò)模型相對于確定型網(wǎng)絡(luò)具有不依賴于先驗知識和參數(shù)模型、可采用實例學(xué)習(xí)的方法獲取模型參數(shù)、統(tǒng)計學(xué)意義上更為可靠，而且通過增加學(xué)習(xí)的實例可以提高基因網(wǎng)絡(luò)構(gòu)建的魯棒性等優(yōu)點。本文研究了貝葉斯網(wǎng)絡(luò)和隱馬爾可夫模型在基因調(diào)控網(wǎng)絡(luò)的重構(gòu)中應(yīng)用，以貝葉斯信息準(zhǔn)則作為目標(biāo)函數(shù)，利用改進(jìn)的優(yōu)化算法對貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行學(xué)習(xí)，從而得到最后

8、的調(diào)控網(wǎng)絡(luò)：把基因指定為不同狀態(tài)，訓(xùn)練出隱馬爾可夫模型，依據(jù)輸出狀態(tài)轉(zhuǎn)移概率矩陣找出目標(biāo)基因的可能父代調(diào)控基因組，獲得概率基因調(diào)控網(wǎng)絡(luò)。通過模擬數(shù)據(jù)和真實生物數(shù)據(jù)的實驗結(jié)果驗證了建模方法的有效性。
　　 利用信息分析方法對生物信息進(jìn)行處理和建模分析是多學(xué)科融合的研究課題，本文研究了生物基因表達(dá)數(shù)據(jù)的缺失值填充、聚類分析和基因調(diào)控網(wǎng)絡(luò)模型構(gòu)建等熱點問題，提出了有效的算法，得到了較滿意的結(jié)果，對于生物學(xué)家分析生物數(shù)據(jù)、設(shè)計生物實驗具