数据驱动建模：奇异值分解与主成分分.pptVIP

数据驱动建模：奇异值分解与主成分分析data-driven modeling: singular value decomposition (SVD) and principal component analysis (PCA) “Omics”: 海量数据 microarray: 在N个样本中 同时监测M个基因的表达水平 数据量： M x N 未考虑关于N个基因的背景知识 问题 如何刻画数据的主要变化趋势？ 个别基因与主要趋势如何联系？ 如何用“最少数量” 的独立参数（最少的假设），来代表数据中“有意义”的信息？ 复习 线性组合、线形空间 向量的内积，正交 向量、基矢量 线性变换与矩阵乘法 SVD 是什么？ 考虑 M x N 的矩阵 A 数据压缩与数据过滤 example 奇异值分解与几何变换：A的“大小”（范数） 奇异值分解与线形方程组 例子：代谢流量平衡 线性最小二乘拟合 Back to gene expression data 含义？ 例子：出芽酵母细胞周期基因表达数据驱动建模 （PNAS,2000，10102） SVD SVD-original data 最大奇异值 〉90%的表达水平 SVD-original data data normalization by SVD SVD-filtered data expand to real genes/real mechanisms Sorting the genes 主成分分析（principal component analysis，PCA) PCA 2、协方差矩阵对角化 PCA 3、本征值排序 PCA变换的性质 数据分析中的应用 数据投影（可视化）/聚类 320 genes, 7 samples * 假设： k种相互独立的调控机制，其相对贡献：?j 对每个基因的影响： Uj （有M个分量） 对每个实验条件的影响：Vj (有N个分量） N 组（不同条件下）近似观察结果： ？与每组观察结果对应的体系状态参数 小的奇异值代表误差 x b=Ax 奇异值为零和不为零的U(V)向量将M(N)维线性空间分为U0(V0)和U1(V1) 两个互相正交的子空间。 V0: A 的零空间 U1: A 的定义域 可能的稳态流量是零空间的向量 理想模型 实际观察 误差最小的结果 在N个样本中 同时监测M个基因的表达水平 数据量： M x N? 基因表达矩阵 M 个基因的表达水平不一定是相互独立的 N 个样本不一定是相互独立的 基因和样本之间是如何关联的？ uj: “eigengene” vj: “eigen expression” “eigengene” j is only expressed in the jth “eigenarray” with expression level ?j 假设所有观察数据受到 k 种互相独立的调控机制的影响。 每种调控机制对各个基因表达的影响： uj uj系数： 相对强度和相位 （对基因归一化） 不同调控机制对表达数据的贡献：?j 每种调控机制对各个样本的贡献：vj vj的系数：相对强度和相位 （对样本归一化） 390 min /30 min ( 14 samples) 6109 open reading frames (ORFs)， 5981 genes with complete data 表达数据: 5981x 14 time invariant ( vj constant ) 表明： 样本是在稳态基础上的小的变化 The second, third, and fourth eigengenes, which show oscillations during the cell cycle, capture about 3%, 1%, and 0.5% of the overall relative expression, respectively. SVD-filter 2 filter 1 eigenarray, eigengene ? regulatory mechanisms 14 samples ? correlations with two eigenarrays 高维数据--〉低维数据 N组观察数据 每组观察M个变量 （数据是M维的） 希望用LM个变量来代替原来的数据 1、计算M 个变量间的协方差矩阵 4、 变量替换 1、 新的数据分量是正交的 2、如果保留全部非零本征值，总协方差不变 每个基因： 多个样本表达数据 （N) (M) 样本之间的协方差矩阵