邵晨2007_bioinformatics.ppt

生物信息学 中国医学科学院 基础医学研究所 邵晨 2007，12 第一部分 生物数据分析的 智能化算法 生物信息学面临的机遇和挑战 随着高通量的实验技术，积累了大量的生物学数据，数据分析面临如下困难： 海量数据 含有噪声和冗余 缺乏理论知识指导 理想的状态 生物实验→数据→计算机→发现规律→预测 机器学习 The field of machine learning studies the design of computer programs able to induce patterns, regularities, or rules from past experiences. Learner (a computer program) processes data representing past experiences and tries to either develop an appropriate response to future data, or describe in some meaningful way the data seen. 从数据中发掘规则 已经开发出来的算法 Hidden Markov Model Artificial Neural Network Genetic Algorithm Support Vector Machine Decision Tree Bayesian Network K-Nearest Neighbor classifier …… 各种各样的机器学习算法已经成功的应用在生物医学领域 序列分析（包括基因发现、启动子识别、序列聚类、蛋白质结构预测等等） 蛋白质相互作用预测 蛋白质功能预测 微阵列数据分析 疾病诊断 影像分析 如何把实际问题归纳为机器学习算法可解的问题？ 预测参加蛋白质组学课程的学生的成绩 解决的步骤 1. data: what past experience can we rely on? 前几年的考试成绩 今年和往年的学生信息 解决的步骤 2. assumptions: 今年的课程内容和考试内容和往年基本相似 学生是独立答题的 解决的步骤 3. representation: how do we summarize a student? 学生 （专业 背景 考勤 ） 成绩 往年 1 生化 生化 20 85 Training set 2 病理 临床 18 80 … … … … … 今年 1 临床 临床 15 ?? 待预测的 2 免疫 生化 20 ?? 解决的步骤 4. estimation: how do we construct a map from students to grades? 输入：学生的信息 输出： 专业 背景 算法 成绩 考勤 Linear regression? y = w1*专业 + w2*背景 + w3*考勤 + w0 解决的步骤 5. evaluation: How can we tell how good our predictions are? wait till the end of this course？ 介绍一种较为可靠的评估方式：cross-validation 解决的步骤 6. model select