基因采集與富集分析算法設(shè)計(jì)與實(shí)現(xiàn).pdf

1、基于基因表達(dá)數(shù)據(jù)的腫瘤亞型挖掘是當(dāng)前生物信息學(xué)發(fā)展的熱門話題。然而，腫瘤的產(chǎn)生是具有相似表達(dá)的一組基因集共同作用的結(jié)果，因此，基于基因集的分析可以挖掘出更多單基因無法發(fā)掘的問題?；虮磉_(dá)特征是在一個(gè)細(xì)胞內(nèi)具有獨(dú)特生物表現(xiàn)型的一組基因集合，一般由校對者從發(fā)表的實(shí)驗(yàn)論文中提取。目前的研究主要針對基因表達(dá)特征數(shù)據(jù)的獲取和基于這些特征數(shù)據(jù)的樣本聚類分析。
　　本文提出了基因表達(dá)特征數(shù)據(jù)采集與富集分析算法的整體框架，并開發(fā)相應(yīng)的展示平臺。在

2、基因表達(dá)特征數(shù)據(jù)采集算法部分，本文通過圈定待校對文章協(xié)助校對者高效完成校對工作。首先運(yùn)用主成分分析(Principal Component Analysis，PCA)產(chǎn)生并優(yōu)化檢索關(guān)鍵詞;然后利用網(wǎng)絡(luò)爬蟲技術(shù)將這些論文下載并轉(zhuǎn)換為純文本文件;最后應(yīng)用支持向量機(jī)(Support Vector Machine，SVM)將下載的文章分為兩類:含有與不含有基因表達(dá)特征的文章。在聚類分析算法部分，本文首先將獲取的基因表達(dá)數(shù)據(jù)通過已知的表達(dá)特征數(shù)據(jù)

3、庫映射到基因集（以基因集為粒度的聚類分析，在降低數(shù)據(jù)維度的同時(shí)還可以實(shí)現(xiàn)跨平臺分析）;接著實(shí)現(xiàn)并對比了主要的非負(fù)矩陣分解算法，選擇其中最有效的基于貪婪坐標(biāo)下降的非負(fù)矩陣分解算法(Non-negative Matrix Factorization based on GreedyCoordinate Descent，NMF-GCD)對數(shù)據(jù)降維;最后通過控制稀疏度和隸屬度對分解后的結(jié)果聚類，在將基因富集的同時(shí)，還能將表現(xiàn)型聚類，尋找出基因集與

4、表現(xiàn)型相關(guān)的關(guān)系模塊。
　　經(jīng)實(shí)驗(yàn)證明，通過應(yīng)用本文的基因表達(dá)特征采集方法，可以將校對者的校對效率從37％提高至94％。同時(shí)，本文將基于基因集的聚類分析算法應(yīng)用于模擬數(shù)據(jù)中，并將結(jié)果與iBBiG、層次聚類、FABIA等不同類型聚類算法進(jìn)行比較。結(jié)果表明，我們提出的算法遠(yuǎn)遠(yuǎn)優(yōu)于常用的基因聚類算法，并可以發(fā)現(xiàn)重疊的模塊，有一定的抗噪聲干擾能力。證實(shí)了基于貪婪坐標(biāo)下降的非負(fù)矩陣分解在基因富集分析、表現(xiàn)型富集分析、基因-表現(xiàn)型關(guān)系模塊發(fā)掘