基于数据挖掘聚类算法的基因芯片数据分析-计算机软件与理论专业论文.docxVIP

复旦大学硕士学位论文摘 复旦大学硕士学位论文 摘 要 基因芯片数据分析是一个内容宽、应用广、实验性强的研究课题，是生物 信息学的重要内容一致。该领域的研究促进了基因芯片的研究与应用，丰富了 生物信息学的研究内容。本论文探讨了基因芯片数据分析目的和困难、分析了 数据处理的步骤、从理论和应用上对多种常用算法进行了比较，并在以往研究 的基础上给出了方法和理论上的创新。 第一章首先介绍了课题研究的背景知识；第二章介绍和分析了基因芯片数 据的生成、处理、理解等步骤的过程、需要解决的问题，以及面临的困难，并 对表达谱数据的高维、高噪声、非线性以及维数的差异进行了分析；第三章详 细介绍了聚类算法的基本原理，与表达谱数据分析的关系，以及常用算法在表 达谱数据分析上的应用与研究。 第四章中，为了解决大多数算法都需要人为给出一些先验参数的问题，本 文提出了一种迭代的、可适应的聚类算法：首先用主集方法对原有基因进行重 新排序，使高度相似的基因排列在特定区域，然后按照某种规则从排序后的数 据集中划分出一个类。 文中从多个方面分析了该算法的性能，理论分析和实验 结果都表明该算法是实用的、有效的并且有很好的抗噪性能。 为了解决表达谱数据的维数差异给后续分析带来的困难，本文第五章研究 了表达谱数据的降维问题。与使用常规的线性降维方法对基因表达谱进行降维 不同，针对处理高维非线性基因芯片数据的困难，本文引入了一种新的非线性 降维方法LTSA。本文从算法原理的角度讨论了该方法在芯片数据处理中的适 用性，并给出了该方法的误差判定标准，实验结果表明经LTSA降维后得到的 低维投影可视化效果好、分类准确性高，且在目标维数判断上优于常用的PCA 算法。 本文的主要创新点在于：针对基因芯片数据聚类常用算法的缺点，提出了 一种可适应的表达谱聚类的实用算法；提出了使用非线性降维方法进行表达谱 降维分析，提高了表达谱可视化的能力，显示了非线性降维技术在生物数据分 析中应用的前景。 关键词：基因芯片；聚类：主集；非线性降维；LT SA； 中图文分类号：TP301．A 复旦大学硕士学位论文Abstract 复旦大学硕士学位论文 Abstract Mieroarray dam analysis is a subject of large scope，wide application and it is an experiment-based research field。This research is helpful for the development of microarray research and application and it amplify the content ofbioinformatics。In this thesis，we discuss the aim and difficulties in micmurray analysis，analysis the procedures of microarry data processing and compare many algorithms from both theoretical aspect and applications。 And based on the past research we make innovation for this subject in this thesis。 In the first chapter， we introduce the background of this subject。 In the second chapter， we introduce and analysis the procedures of microarray data generation，processing and comprehension，the problems to be handled and the difficulties we are facing in analyzing high dimensional，high-noise，nonlinear microarray data。 In the mird chapter， we discuss the general principles of clustering，its application and research on microarray expression profiles analysis and some commonly used algorithms in detail。 In chapter four，眦iterative，self-adapting clustering al