基因表達(dá)缺失數(shù)據(jù)填充算法研究.pdf

1、DNA微陣列技術(shù)使人們可以同時(shí)觀測(cè)成千上萬(wàn)個(gè)基因的表達(dá)水平，對(duì)其數(shù)據(jù)的分析已成為生物信息學(xué)研究的焦點(diǎn)。但是，在基因表達(dá)數(shù)據(jù)產(chǎn)生過(guò)程中存在一些因素導(dǎo)致獲得的數(shù)據(jù)中包含有大量的缺失值，為后續(xù)的數(shù)據(jù)分析工作帶來(lái)了極大的困難，甚至使分析結(jié)果出現(xiàn)嚴(yán)重錯(cuò)誤。因此，基因表達(dá)缺失數(shù)據(jù)的填充是生物數(shù)據(jù)挖掘過(guò)程中的重要預(yù)處理步驟，也是研究重點(diǎn)之一。 基于K個(gè)最近鄰居的填充算法是基因表達(dá)數(shù)據(jù)中經(jīng)典的缺失值填充算法。但算法沒(méi)有考慮基因表達(dá)數(shù)據(jù)間的相關(guān)性

2、，本文提出一種基于馬氏距離的缺失值填充算法。該算法使用考慮了數(shù)據(jù)間相關(guān)性的馬氏距離選擇鄰居基因，并利用Shannon信息熵確定更為合理的鄰居基因權(quán)重系數(shù)，有效地提高了對(duì)缺失數(shù)據(jù)的填充準(zhǔn)確度。 模糊C-均值算法是聚類(lèi)分析中廣泛使用的聚類(lèi)方法，在基因表達(dá)數(shù)據(jù)分析中也有較多的應(yīng)用。本文利用模糊C-均值算法能很好地處理數(shù)據(jù)間的重疊性和相關(guān)性的特點(diǎn)，將它應(yīng)用到基因表達(dá)數(shù)據(jù)的缺失問(wèn)題處理中，提出了基于模糊C-均值的填充算法。算法針對(duì)不同的數(shù)

3、據(jù)集，給出了動(dòng)態(tài)確定聚類(lèi)參數(shù)的方法，然后對(duì)經(jīng)過(guò)初始填充的非完整基因表達(dá)數(shù)據(jù)進(jìn)行聚類(lèi)分析，利用聚類(lèi)結(jié)果對(duì)缺失數(shù)據(jù)進(jìn)行估計(jì)和填充。該算法自適應(yīng)地確定聚類(lèi)參數(shù)，增強(qiáng)了聚類(lèi)的有效性，從而提高了填充結(jié)果的正確率。 模糊C-均值算法受初始條件影響較大，在迭代過(guò)程中容易陷入局部極小。因此，論文在上述算法的基礎(chǔ)上，利用迭代局部搜索策略來(lái)解決局部最優(yōu)問(wèn)題，并且使用新的聚類(lèi)有效性指標(biāo)優(yōu)化聚類(lèi)結(jié)果，較大程度上改善了聚類(lèi)結(jié)果，提高了缺失值估計(jì)的準(zhǔn)確度。