基因表达数据的模糊聚类技术研究.pdfVIP

II 104I EducationForum教育论坛 基因表达数据的模糊聚类技术研究 李小梅 郭 红 (福州大学数学与计算机科学学院 福建福州 350108) 摘要：利用聚类分析工具可以从海量的、日益增长的基因表达数据中解析出其中可能的编码基因及其生理 功能，这是生物信息学中一项很有意义的工作。模糊聚类算法是一种常用的基因表达数据聚类分析工具，j-~,；z 发现重叠的基因簇，它不强制将每个基因归入某个具体的聚类中，而是计算每个基因对各个类的隶属度。本文 分析了基因表达数据的模糊聚类分析方法及其重要应用。 关键词：生物信息学；基因表达数据；模糊聚类 一 、 引言 缸Ⅲ∈ 和c个聚类中心 c尺，使目标函数达到最 小，其中P是向量维数。FCM算法的目标函数定义为 随着 cDNA微阵列和寡核苷酸芯片高通量检测技 f n 术的发展和应用，大量基因表达数据的获取变得越来 ’’ 1n m ， = Mdi ，ml 式 J 越容易。基因表达数据是通过实验直接或间接测量得 k = ，i= 』 到的基因转录产物信使 RNA(mRNA)在细胞 中的丰度 其 中， M=，M∈ ，。Bezdek等已经证 明了 k= 』 。 面对 日益增长、复杂的基因表达数据 ，如何有效地挖 掘其中隐含的生物信息已成为后基因组时代研究热点 FCM算法不能保证收敛到 目标函数的极小值点。另外， 之一。聚类分析本着 “物以类聚”的思想，旨在将功能相 FCM对模糊参数m的选择、初始中心(或初始隶属度) 关的基因归入同一基因簇中，已成为分析基因表达数 的选择、数据的输入顺序等都 比较敏感，而且 FCM从 据获取生物信息的有效工具。本文系统评述了基因表 本质上来说是一种局部搜索算法。 达数据模糊聚类中所用到的各种技术方法。由于聚类 大量研究表 明，模糊聚类算法很好地挖掘了基因 问题的开放性，评价一个聚类算法的优劣不仅仅要从 间的关系。文献 用／FCM算法对时序基因表达数据进 数学的角度出发，而且要在生物学意义下进行评价，因 行聚类分析 ，通过对不同噪音水平的基因表达数据的 此本文并不用统一的评价标准对所有的聚类算法进行 测试，实验结果验证了FCM算法比传统的K—Means聚 评价。 类算法鲁棒性好 。由于FCM算法存在这些缺陷，下面 传统的基因表达数据聚类分析主要有基于划分的 分别介绍将模糊聚类算法应用到基因表达数据聚类分 方法 、基于层次的方法崂 口基于人工神经网络的方法4[1 析上所做的改进 。 等。从生物学角度看，传统的聚类方式生成的是基因表 (一)自动生成最优聚类数 目 达数据的一个划分，基因簇之间没有重叠，然而一个基 Gasch等 6／／提出一种 FCM 的启发式改进算法 因通常具有多面性，在不同的条件下可能与不同的基 FuzzyK，该算法对基因表达数据执行三次 FCM处理。 因组其调控，因此各个聚类之间应该有重叠的现象。为 第一次FCM迭代结束后，若一个基因与其 中的某聚类 了获得重叠的基 因簇 ，模糊聚类就很 自然地应用到基