基因采集與富集分析算法設計與實現(xiàn).pdf

1、基于基因表達數(shù)據的腫瘤亞型挖掘是當前生物信息學發(fā)展的熱門話題。然而，腫瘤的產生是具有相似表達的一組基因集共同作用的結果，因此，基于基因集的分析可以挖掘出更多單基因無法發(fā)掘的問題?；虮磉_特征是在一個細胞內具有獨特生物表現(xiàn)型的一組基因集合，一般由校對者從發(fā)表的實驗論文中提取。目前的研究主要針對基因表達特征數(shù)據的獲取和基于這些特征數(shù)據的樣本聚類分析。
　　本文提出了基因表達特征數(shù)據采集與富集分析算法的整體框架，并開發(fā)相應的展示平臺。在

2、基因表達特征數(shù)據采集算法部分，本文通過圈定待校對文章協(xié)助校對者高效完成校對工作。首先運用主成分分析(Principal Component Analysis，PCA)產生并優(yōu)化檢索關鍵詞;然后利用網絡爬蟲技術將這些論文下載并轉換為純文本文件;最后應用支持向量機(Support Vector Machine，SVM)將下載的文章分為兩類:含有與不含有基因表達特征的文章。在聚類分析算法部分，本文首先將獲取的基因表達數(shù)據通過已知的表達特征數(shù)據

3、庫映射到基因集（以基因集為粒度的聚類分析，在降低數(shù)據維度的同時還可以實現(xiàn)跨平臺分析）;接著實現(xiàn)并對比了主要的非負矩陣分解算法，選擇其中最有效的基于貪婪坐標下降的非負矩陣分解算法(Non-negative Matrix Factorization based on GreedyCoordinate Descent，NMF-GCD)對數(shù)據降維;最后通過控制稀疏度和隸屬度對分解后的結果聚類，在將基因富集的同時，還能將表現(xiàn)型聚類，尋找出基因集與

4、表現(xiàn)型相關的關系模塊。
　　經實驗證明，通過應用本文的基因表達特征采集方法，可以將校對者的校對效率從37％提高至94％。同時，本文將基于基因集的聚類分析算法應用于模擬數(shù)據中，并將結果與iBBiG、層次聚類、FABIA等不同類型聚類算法進行比較。結果表明，我們提出的算法遠遠優(yōu)于常用的基因聚類算法，并可以發(fā)現(xiàn)重疊的模塊，有一定的抗噪聲干擾能力。證實了基于貪婪坐標下降的非負矩陣分解在基因富集分析、表現(xiàn)型富集分析、基因-表現(xiàn)型關系模塊發(fā)掘