基于粒计算的疾病差异表达基因研究

发布时间：2020-03-28 23:19

【摘要】：本文基于粒计算理论,结合已有的聚类算法以及Logistic Regression、Random Forest等数据挖掘算法,对其进行改进和优化,并建立优化模型。从NCBI以及GEO数据库中分别下载病毒蛋白质序列和基因芯片数据,通过对其进行预处理与数字特征化后,应用到模型中,结合实验结果,证实本文提出的模型能为生物信息大数据的处理提供新的有效的方法。文章的主要工作内容可以概括如下:第二章是准备知识,对各类聚类算法、粒度空间中的一些基本概念、最小生成树算法、Logistic Regression模型和Random Forest模型的原理进行了介绍。第三章在粒计算理论的基础上,进行了基于归一化距离的最小生成树分类算法研究。首先,根据统计学中类内偏差和类间偏差的性质,定义了新的最优聚类指标,然后在已有的粒度空间生成算法的基础上,引入最小生成树以及新的最优聚类指标,给出了最小生成树分类算法并建立最优聚类模型。最后,将最优聚类模型应用于898条同时含有HA和NA并且能够感染人的禽流感病毒的蛋白质序列上,基于距离中心最近原则,先后两次运行最小生成树分类算法,得到了最优层次结构,相应地,选出了6条具有代表性的病毒序列。第四章的研究对象是癌症,通过将Logistic Regression算法和Random Forest算法进行组合,提出了一种新的混合模型——LR-RF模型,基于FWER错误测度的Bonferroni检验,将模型应用在两个乳腺癌DNA微阵列数据集上,筛选乳腺癌中差异表达的基因。通过十次重复随机试验,本文所提出的LR-RF模型的平均预测准确率达到93.11%,方差低至0.00045。当Random Forest算法中基因重要性评分进行排序时选取的阈值?=0.2,预测准确率达到最大值95.57%,并且筛选出来的差异表达基因数量相对较少。另外,建立差异表达基因的相互作用网络,通过分析基因相互作用网络,可以发现本文选择的前20个基因中的大多数都涉及乳腺癌的发生与发展过程。这些结果都证明了LR-RF模型的可靠性和有效性。
【图文】：

流程图,聚类算法,分裂算法,聚类

第二章准备知识类算法简介类算法与粒计算有着密切的联系，聚类算法是将数据样本进行分类，而粒计算样本进行粒化。因此，聚类算法将粒计算思想进行具体的实现，而粒计算是将的思想进行了抽象的描述。下面介绍一些常用的聚类算法。于划分的聚类-means 算法是数据挖掘中最常用的一种划分聚类算法[18]。K-means 算法是在给类数 n 之后，能够将数据集分成 n 个簇，，算法需要使得平方误差达到最小化，目的是找到我们想要的 n 个簇，并且使得每个簇内所有的样本点之间的相似度。K-means 算法简单，并且运行速度快，适用于大数据集，但是算法本身也有，由于初始值选择的不同，会导致最终的分类结果也不同，而且 K-means 算法分布的数据集也不能得到合理的分类结果。K-means 算法的流程图如图 2-1 所

流程图,层次聚类算法,流程图

图 2-2 层次聚类算法流程图层次聚类算法形成的类一般通过树状图来表示。层次聚类算法具有不需要预先数目、容易发现类与类之间的层次关系等优点，但是层次聚类算法的计算复杂且很可能将数据样本聚类成链状。3 基于密度的聚类密度聚类的思想不同于 K-means 算法的思想，但是密度聚类的思想更符合人类密度聚类的基本思想是通过是否紧密相连来判断数据样本点是否属于一个簇。度聚类的算法中，比较有代表性的算法是 Density-Based Spatial Clusterilications with Noise (DBSCAN)[20]，它基于一组邻域( , MinPts)来表征整个数据处的样本是否是紧密的，下面是 DBSCAN 的基本算法步骤：
【学位授予单位】：江南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP311.13;R-05

【相似文献】