Gen_Cluster_一个基因表达数据高维聚类算法.pdfVIP

第 47 卷 　第 2 期 复 旦 学 报 ( 自然科学版) Vol . 47 No . 2 2008 年 4 月 Journal of Fudan Univer sity (Natural Science) Apr . 2008 　　文章编号 : 04277 104 (2008) 020 13512 GenCl uster :一个基因表达数据的 高维聚类算法 斌 熊 　贝 ,邱伯仁 ,张 　坤 ,朱扬勇 (复旦大学 计算机与信息技术系 ,上海 200433) 摘 　要 : 基因表达数据聚类是分析基因之间共调控关系的重要手段. 挖掘子空间中表达值存在差异但变化趋势 保守的序列已成为基因表达数据聚类的主要研究内容之一. 在 N 同维趋势相似定义的基础上 ,提出了一个基因 表达数据的高维聚类算法 GenCluster ,将基因表达值转化为序列形式 ,采用无重复投影且无候选生成的序列模 式挖掘策略自底向上挖掘 N 同维趋势模式 ,并解决了 OPCluster 算法不能挖掘含有项集的序列模式问题 ,最终 得到表达值变化趋势保守的基因序列形成的 N 同维趋势簇. 实验采用 Breast Tumor 和 MicroRNA 表达数据集 , 验证挖掘结果是有效的 ,且较 OPCluster 算法表现更高效率 ,并涵盖其结果. 关键词 : 高维数据挖掘 ; 聚类 ; 基因表达数据 ; N 同维趋势相似 中图分类号 : TP 39 1 　　　　　文献标识码 : A 　　揭示基因表达调控的复杂机制是后基因组时代所面临的重大挑战之一. 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 ,可以反映特定组织或细胞内的基因在不同生理或实验条件下、在连续 的时间段内不同时间点上的表达水平[ 1 ] . 由于同一共调控基因簇中的基因更有可能相互表达并包含在同 一个细胞生命过程中 ,因而 ,在聚类后得到的基因簇中的共表达的基因上游序列挖掘保守模式 ,能够提高 转录调控元件预测的准确程度[2 ] ,并能得到关于调控元件与相应的生理条件或环境信息间的关联. 因此 , 基因表达数据聚类是转录调控元件及其相互作用网络研究的重要内容. ( ) 基因表达数据通常是在多个条件 如组织 、细胞周期的不同阶段 、药物作用时间等 下度量的 ,它具有 高维性. 基于全空间的距离函数聚类方法不适合这样的高维数据 ,因为一个感兴趣的生物过程通常只包含 基因中的小部分 ,且过程也可能只发生在少数条件下 ,即高维空间中的对象在某个子空间中相似. 其中 ,部 ( 分条件下具有保守变化趋势但表达水平值强度存在差异的基因 如在一个维集上表现出一致的模式 ,但在 ) [38 ] 维上的值并不一定接近 ,对于揭示基因序列转录调控机制有重要的生物意义 . 研究者提出的基于子 空间的基 因表达双 向聚类方法 , 如 BiClustering[4 ] , p Cluster [5 ] , Maple ( Maximal Patternbased Cluster ing) [6 ] , OPSM (Or derPreserving Submat rix) [7 ] 等 ,对表达值的比例和条件顺序上都有严格约束 ,难以聚 类某些条件下具有类似表达模式但表达水平值存在差异的基因. 为解决这个问题 ,Liu 等提出了OP Clus ter (Oder Preserving Cluster) 算法[ 8 ] ,但由于 OPC 树的剪枝条件取决于用户定义的维数阈值 , 当阈值相对