基因表达数据的缺失值估计研究-信息与通信工程专业论文.docxVIP

Classified Index: Q811.4 U.D.C: 57 Dissertation for the Master Degree in Engineering RESEARCH ON MISSING VALUE IMPUTATION FOR MICROARRAY GENE EXPRESSION DATA Candidate： Li Yanfang Supervisor： Associate Prof. Guan Yudong Academic Degree Applied for： Master of Engineering Speciality： Electronics and Communication Engineering Affiliation： School of Electronics and Information Technology Date of Defence： June, 2011 Degree-Conferring-Institution： Harbin Institute of Technology 摘 摘 要 摘 要 DNA 微阵 列技术是生物 芯片技术之一，它发展 成熟且应用广 泛， 使得人 们 可以 同 时 对 大 量基 因 进 行 检 测， 由 此 获 得基 因 在 不 同 实验 条 件 下 的表 达 水 平。然而，事实上，现有的公共基因表达数据库中的基因表达数据均存在不同 程度的缺失，这对后续分析造成严重不好的影响。简单剔除含缺失值的整个基 因势必造成大量信息的丢失，周期长、代价高的重复试验也不可取 。 本文从以下几个方面开展了工作，内容如下： 首先，从数据集的总体结构角度出发研究贝叶斯主成分分析法，它包括主 成分分析、贝叶斯估计及迭代算法，通过缺失数据和模型参数之间不断的相互 更新，最终达到收敛，得到缺失值的 估计值。 其次，从数据集的局部结构角度出发，依据相似基因共同表达原则，研究 目 前广 泛 应 用 的 最近 邻 法 及 局 部最 小 二 乘 法。 但 是 这 两 种算 法 存 在 相似 的 缺 陷 ，即 缺 失 率 较 大的 情 况 下 估 计精 度 大 大 降低 。 本文 对 这两 种 方 法 进行 了 改 进，在缺失率较大的情况下，预填充符合条件的基因，扩大备选基因的范围， 并按缺失率大小顺序估计。实验表明，算法改进效果显著。 再次，从生物知识角度出发研究乙酰化模式回归法。依据是组蛋白乙酰化 水平可能会改变染色质的折叠特性并为转录因子提供结合面 ，造成转录因子的 活性很大程度上由组蛋白乙酰化在染色质中的状态来调控 。将组蛋白乙酰化数 据与基因表达谱数据相结合来选取邻近基因，进而估计缺失值。 最后，从统计学方面及基因表达数据的后续分析方面，利用多种指标对以 上算法进行评价。其中，本文重点且全面的对填充数据进行层次聚类，通过相 应指标来衡量算法性能。另外，本文还将完整数据进行过滤，去除表达水平没 有显著变化的基因，利用相同评价指标衡量缺失值估计算法在非完整数据集上 的估计精度，分析算法的性能及适用范围。 关键词：缺失值估计；全局结构；局部结构；生物知识 I - Ab Abstract Abstract DNA microarray technology is a kind of biological chip technologies. It is mature and widly used. It can measure the mRNA levels of thousands of genes under certain experiments simultaneously. However, microarray gene expression data generally suffers from missing value problem due to a variety of experimental reasons. Actually, public microarray datasets have missing values in various degree, which can adversely affect downstream analysis. Simply deleting the genes with missing values can result in a loss of much usefull information, and to repeate the experiments is obviously very expensive and time consuming. Missing value imputati