第九章数据挖掘与基因表达调控信息分析（2）.ppt

第四节 基因表达数据的聚类分析 基因表达数据主要来自于两个方面： 一是基因芯片，这是最主要的表达数据来源，利用基因芯片技术可以大规模并行获取基因转录结果mRNA的数据。 表达系列分析SAGE和差异显示、蛋白质芯片等是快速检测蛋白质及其含量的另一类技术。 聚类分析是模式识别中一种非常有吸引力的方法，特别适用于模式分类数不知道的情况。 从机器学习的角度来看，有两种基本的聚类分析： 有教师聚类 无教师聚类 基因表达数据聚类分析一般包括以下几个步骤： （１）确定基因表达的数据 （２）计算相似性矩阵，各个矩阵元素代表两个基因的表达是否相似 （３）选择算法进行聚类分析 （４）显示分析结果。 对数据进行聚类分析之前，必须将包含在基因表达矩阵中的数据进行相似程度分析，并且对分析结果进行量化。 通常情况下，相似往往被赋于一个较大的量化的值，而不相似则由一个较小的量化的值来表示。 在实际计算中，往往以距离代替相似的概念，相似性度量被转化为两个基因表达模式之间的距离。距离越小，表达模式越相近，反之，则表达模式差异大。 几种常用的聚类方法 1．简单聚类 2．层次式聚类 3．K平均聚类 4．自组织映射神经网络 5. 模糊聚类分析方法 6、聚类分析结果的树图表示 第五节 基因调控网络分析 一个基因网络由一组生物分子（如基因、蛋白质）以及它们之间的相互作用构成，这些生物分子共同完成一些特定的细胞功能任务。 在实际分析过程中，往往以图这种数据结构表示基因网络，图中的节点代表基因或者蛋白质，而节点之间的连线代表基因、蛋白质之间的相互作用。基因网络描述了特定细胞或组织中的功能路径，如代谢、基因调控，信号传导等。 基因表达实际上是细胞、组织、器官受遗传和环境影响的结果。 一个基因的转录和表达由细胞的生化状态所决定，在一个基因的转录过程中，一组转录因子作用于该基因的启动子区域，控制该基因转录，而这些转录因子本身又是其它基因的产物。 当一个基因通过转录、翻译形成功能基因产物后，它将改变细胞的生化状态，从而直接或间接地影响其它基因的表达，甚至影响自身的表达。多个基因的表达不断变化，使得细胞的生化状态不断地变化。 一个基因的表达受其它基因的影响，而这个基因又会影响其它基因的表达，这种相互影响、相互制约关系构成了复杂的基因表达调控网络。 基因表达数据之中隐含基因之间的相互作用关系，因而可以通过分析基因表达数据，构建基因调控网络。 几种基因调控网络模型 1、布尔网络模型 2、线性组合模型 线性组合模型是一种连续网络模型，在这种模型中，一个基因的表达值是若干个其它基因表达值的加权和。基本表示形式为： 3、加权矩阵模型 加权矩阵模型与线性组合模型相似，在该模型中，一个基因的表达值是其它基因表达值的函数。 4、互信息关联网络 可以用距离或相关系数作为基因表达模式之间的相似性度量，还可以用另外一种度量形式，即用熵和互信息描述基因与基因的关联。 一个基因表达模式的熵是该模式所含信息量的度量。设X是一个基因表达模式，用下式计算熵： 5、基因调控网络实例 真核生物生理过程的调控网络GeneNet GeneNet展示了协调方式下基因的整体功能，良好的调控功能和对外界刺激的反应。该基因网具有以下基本功能： (a) 描述执行特定生物功能时所涉及到的整体基因交互作用 (b) 描述基因的蛋白质编码 (c) 描述基因对外界刺激的传感途径 (d) 通过一组反馈自动地稳定网络参数或者使网络转换到新的功能状态 (e) 利用外部信号、激素和代谢产物作为生理学参数激发基因网纠正其作用 该基因网描述了四类实体： (a) 细胞(组织，器官) (b) 蛋白质 (c) 基因 (d) 物质 该基因网还描述了实体间两种关系： (a) 反应（reaction）, 即通过交互作用产生新的实体或过程 (b) 调控（regulatory）事件, 特定反应对实体的作用。 * * 第九章 数据挖掘与基因表达调控信息分析（2） 主讲人：孙 啸 制作人 ：刘志华 东南大学 吴健雄实验室 1、简单聚类 假设有n个基因 表达数据向量分别为X1, X2,…, XN 令任意一个基因的表达向量为第一个聚类的中心 依次处理其它基因 在处理第i个基因时，首先计算该基因的表达数据向量与现有各类中心的距离 假设与第j类的距离Dij最小，并且DijT，则将基因i分配到第j类；否则生成一个新类，该类的中心为第i个基因的表达向量。 2、层次式聚类 3、K平均聚类 任意选取K个基因表达向量作为初始聚类中心 Z1, Z2,…, Zk 反复迭代计算 如果||X-Zj(l)|| ||X-Zi(l)||(i=1,2,…,K,i?j)，则将X所代表的基因归于第j类。