基于树结构的生物数据挖掘算法的研究与实现.docVIP

工学硕士学位论文 基于树结构的生物数据挖掘算法的 研究与实现 THE RESEARCH AND IMPLEMENTATION OF TREE-BASED BIOLOGICAL DATA MINING ALGORITHM 苏纯 哈尔滨工业大学 2006 年 6 月 国内图书分类号：TP301.6 国际图书分类号：681.3.06 工学硕士学位论文 基于树结构的生物数据挖掘算法的 研究与实现 硕 士 研 究 生： 苏纯 导 师： 张岩副教授 申 请 学 位： 工学硕士 学 科 、 专 业： 计算机科学与技术 所 在 单 位： 计算机科学与技术学院 答 辩 日 期： 2006 年 6 月 授予学位单位： 哈尔滨工业大学 Classified Index：TP301.6 U.D.C.: 681.3.06 Dissertation for the Master Degree in Engineering THE RESEARCH AND IMPLEMENTATION OF TREE-BASED DATA MINING ALGORITHM  Candidate: Supervisor: Academic Degree Applied for: Specialty: Affiliation: Date of Oral Examination: University:  Su Chun Prof. Zhang Yan Master of Engineering Computer Science and Engineering Computer Science and Technology June, 2006 Harbin Institute of Technology 哈尔滨工业大学工学硕士学位论文  摘  要  生物信息学是在生命科学研究中，以计算机为工具对生物信息进行储 存、检索和分析的科学。目前研究重点主要在基因组学(Genomics)和蛋白质 学 (Proteomics)，即分析核酸和蛋白质中表达结构功能的生物信息。数据挖 掘作为一种以数据库、统计学和人工智能学为基础的技术，为生物学家提供 了有力的信息分析工具。数据挖掘中的频繁模式挖掘技术专注于发现数据中 频繁出现的特征模式。根据特征模式复杂性，可分为频繁项模式、频繁序列 模式以及频繁子树模式等。本文对 RNA分子建立树形模型，利用频繁子树 挖掘算法挖掘RNA二级结构中的公共拓扑模式。 本文首先概括了频繁模式挖掘技术及频繁子树挖掘算法的现状，介绍了 RNA二级结构预测的主要方法，探讨了目前数据挖掘技术应用于生物数据 所存在的问题。然后给出了与频繁子树有关的概念，区分了嵌入子树和直接 子树，定义了同构交叠子树和最小性。在此基础上，对挖掘嵌入子树的 TreeMiner算法和PatternMatcher算法进行了分析。这两种算法分别采用垂直 挖掘方式和水平挖掘方式，但是在挖掘过程中均无法区分同构交叠子树。本 文提出了挖掘嵌入子树的算法DistinctTM（distinct tree mining）。本算法剔 除了同构交叠子树带来的冗余，保持了模式在一棵树上的最小性。实验结果 表明，该算法优于TreeMiner算法和PatternMatcher算法。最后，本文给出了 对RNA二级结构建立树模型的方法，使用DistinctTM算法挖掘了其中的公共 拓扑模式。  关键词  数据挖掘；嵌入子树；同构交叠子树；生物数据；RNA 二级结构 -I- 哈尔滨工业大学工学硕士学位论文 Abstract Bioinformatics is a science using computer to store, retrieve and analyze biological information in biology science. The recent research focuses on Genomics and Proteomics, which investigate structural and functional information of nucleus and protein. As a technology based on database, statistics and AI, data mining provides biologists useful information analyzing tools. Frequent pattern mining technology in data mining is for mining characteristic patterns with frequent occurrences among da