生物信息学的基因聚类实际分析.ppt

基因表达数据的聚类分析;;;;;几种常用的聚类方法 ;1、简单聚类 假设有n个基因 表达数据向量分别为X1, X2,…, XN 令任意一个基因的表达向量为第一个聚类的中心 依次处理其它基因 在处理第i个基因时，首先计算该基因的表达数据向量与现有各类中心的距离 假设与第j类的距离Dij最小，并且DijT，则将基因i分配到第j类；否则生成一个新类，该类的中心为第i个基因的表达向量。;;3、K平均聚类 任意选取K个基因表达向量作为初始聚类中心 Z1, Z2,…, Zk 反复迭代计算 如果||X-Zj(l)|| ||X-Zi(l)||(i=1,2,…,K,i?j)，则将X所代表的基因归于第j类。按照上述办法处理所有的基因； 经过上述处理，聚类可能发生变化，因此需要重新计算K个新聚类中心：  对于所有的聚类中心，如果Zj(l+1)=Zj(l)(j=1,2,…,K)，则迭代结束，得到最后的聚类结果；否则继续进行迭代计算。 ;;;5、模糊聚类分析方法 主要过程： （1）建立模糊相似矩阵 （2）生成模糊等价矩阵 （3）构建动态聚类图;6、聚类结果显示 ;分类分析方法 有监督学习 疾病诊断、细胞类型识别 样本分类：（例） 急性淋巴细胞白血病(ALL) 急性髓性白血病(AML);例：两类划分 ;问题： 基因的选择？ 分类的方法？ 贝叶斯分类法 支持向量机（SVM） k最近邻法 神经网络方法 决策树方法 投票分类法（多分类器） ;;;;;基因调控网络分析; 基因表达在化学催化中的作用;;;;几种基因调控网络模型 ;A B C A B C ;;2、线性组合模型;3、加权矩阵模型;4、互信息关联网络;基因表达数据的聚类分析;;;;;几种常用的聚类方法 ;1、简单聚类 假设有n个基因 表达数据向量分别为X1, X2,…, XN 令任意一个基因的表达向量为第一个聚类的中心 依次处理其它基因 在处理第i个基因时，首先计算该基因的表达数据向量与现有各类中心的距离 假设与第j类的距离Dij最小，并且DijT，则将基因i分配到第j类；否则生成一个新类，该类的中心为第i个基因的表达向量。;;3、K平均聚类 任意选取K个基因表达向量作为初始聚类中心 Z1, Z2,…, Zk 反复迭代计算 如果||X-Zj(l)|| ||X-Zi(l)||(i=1,2,…,K,i?j)，则将X所代表的基因归于第j类。按照上述办法处理所有的基因； 经过上述处理，聚类可能发生变化，因此需要重新计算K个新聚类中心：  对于所有的聚类中心，如果Zj(l+1)=Zj(l)(j=1,2,…,K)，则迭代结束，得到最后的聚类结果；否则继续进行迭代计算。 ;;;5、模糊聚类分析方法 主要过程： （1）建立模糊相似矩阵 （2）生成模糊等价矩阵 （3）构建动态聚类图;6、聚类结果显示 ;分类分析方法 有监督学习 疾病诊断、细胞类型识别 样本分类：（例） 急性淋巴细胞白血病(ALL) 急性髓性白血病(AML);例：两类划分 ;问题： 基因的选择？ 分类的方法？ 贝叶斯分类法 支持向量机（SVM） k最近邻法 神经网络方法 决策树方法 投票分类法（多分类器） ;;;;;基因调控网络分析; 基因表达在化学催化中的作用;;;;几种基因调控网络模型 ;A B C A B C ;;2、线性组合模型;3、加权矩阵模型;4、互信息关联网络;