基于信息融合得基因表达数据挖掘.pptVIP

基于信息融合的基因表达数据挖掘 学生：朱建杰 指导老师：宫秀军 提纲 选题背景 研究动态及存在问题 研究内容 多源基因信息 相似性加权度量 Co-clustering 聚类结果的解释和评价 技术路线 现有的研究基础 研究进度 文献 一、选题背景 20世纪90年代中期产生的DNA微阵列(Micro-array)技术以其操作简便、结果易于分析、提供信息量大和配套仪器齐全而倍受人们的青睐。该技术利用一定的理化过程对基因表达的过程进行定量的描述和刻画，以便获取基因功能和基因表达调控信息。对这些数据的有效分析，正在成为生物信息学的重大挑战之一。 DNA微阵列技术在功能基因组学中的一个重要应用就是利用这些基因表达数据对样本进行分类，如癌症诊断等。 近年来，人工智能及模式识别技术在基因表达数据的分类中受到越来越多的重视，其研究的核心问题是如何选择有效的基因和适宜的研究算法，来提高诊断的精度和效率。 基因表达数据的分类问题主要有以下特点： ① 基因表达数据中，用于分类的特征的个数（基因的个数）远远大于观测样本的数量。 为方便起见，我们称这种现象为特征非平衡问题。对特征非平衡问题而言，传统的基于统计学习的数据挖掘技术由于相应的样本或者特征过少，而缺乏真正意义上的统计重要性。 ② 基因表达数据分类中，不仅关注于分类的精度与效率，而且关注于对分类起重大作用的特征（基因）族。因为后者更有助于理解分类背后生物现象的本质。 二、研究动态及存在问题 目前对基因表达数据的研究主要分为两大类，一是对观测样本的分类，一类是对基因的聚类。 对观测样本的分类：目前研究的热点是怎样从基因表达数据中选取适宜的特征子集 ，其方法可分为：基于滤波(filtering)的方法、基于封装(wrapping)的方法。 对基因的聚类：目前主要研究怎样找到更好的算法从基因表达数据中找到功能或结构相关的类别，并把它们聚在一起。 信息融合技术： 以上研究方法只是从基因表达数据一方面进行研究，其实基因其它方面的信息对于基因的分类和聚类还有着重要的作用。信息融合技术就是整合或融合各种不同的信息源从而帮助我们从不同方面了解一个复杂的系统 或者使我们获得从单个的信息源不能得到的结果。 对观测样本的分类（一） 基于滤波的特征选择：就是通过一定的机制过滤掉与分类不相关的特征，从而使分类器对剩余的特征子集达到最优的分类效果。 主要优点在于分类算法与特征选择过程是分离的，因而具有更大的推广性 。 目前的研究主要分为两个类别：选择类相关性较大的特征和选择最大化类相关性最小化内相关性的特征 。 Su(Su, Murali et al. 2003)应用了第一类方法。该方法提出了8个类相关性的度量，分别进行学习，选择分类效果好的作为后选择子集 。 Ding(Ding and Peng 2005) 应用了第二类方法，给出的一种最小化特征冗余性的特征选择方法 。 对观测样本的分类（二） 基于封装的特征选择方法：利用分类学习算法对特征进行评价，选择最有利于学习算法性能提高的特征作为候选特征。 其因为需要反复调用学习算法评价特征的重要性，因而算法的复杂度相对较高。比较典型的算法有支持向量SVM(Zhang, Lu et al. 2006)、贝叶斯混合模型(Pan, Shen et al. 2006)和基于提升(Boosting)的方法(Dettling 2004)。 存在问题 尽管存在各种特征冗余性的度量方法，到目前为止，还没有一种方法考虑到基于类别特性的特征冗余性度量。而类别信息在特征选择辨识中往往起着重要作用。 尽管各种基于滤波的特征选择方法都试图最大化类别依赖性，而最小化内相关性，然而所有这些算法都是局部最优的，而且缺乏对相关性特征的一致性描述，这一点恰恰是生物学家比较关注的，即如何辨识一组基因共同地作用某种疾病 。 对基因的聚类 聚类技术是数据挖掘中研究样本相似性的一种非监督探索性分析。 Xu在(Xu, Olman et al. 2002)中利用基于图论的聚类技术对各种常用度量方法进行了分析。 Jiang(Jiang D 2003)在其论文中提出了一个基于密度的新聚类算法来确定基因间的类别。 在各种聚类方法中，Xu在(Xu, Olman et al. 2002)中的基于最小生成树(Minimum Spanning Tree: MST)的聚类是比较有效的方法。 1) 简单的树结构表示能够利用更加有效的类别划分策略； 2）基于MST的方法不依赖于样本点的具体的几何形状，因而具有更强的健壮性。 存在问题 由于基因表达数据的特征非平衡问题，使得普通的聚类算法对基因聚类的