數(shù)據(jù)挖掘的建模及在生物信息學(xué)中的應(yīng)用研究.pdf

1、近十幾年,隨著科學(xué)技術(shù)的飛速發(fā)展,經(jīng)濟(jì)和社會(huì)都取得了極大的進(jìn)步,與此同時(shí),在各個(gè)領(lǐng)域產(chǎn)生了大量的數(shù)據(jù)。為了從如此大量的數(shù)據(jù)中發(fā)現(xiàn)有價(jià)值的知識(shí)及規(guī)律,人們結(jié)合統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫、機(jī)器學(xué)習(xí)等技術(shù),提出數(shù)據(jù)挖掘技術(shù)來解決這一難題。 聚類分析是數(shù)據(jù)挖掘研究中的重要內(nèi)容,成為各學(xué)科研究中的重要工具。但在現(xiàn)實(shí)生活中,常常遇到高維數(shù)據(jù)集的處理且在大多數(shù)情況下,這些數(shù)據(jù)集對(duì)于各個(gè)聚類存在屬性不平衡的現(xiàn)象。根據(jù)這一點(diǎn),本文提出在核特征空間中的屬性加權(quán)

2、核聚類算法,實(shí)驗(yàn)表明新聚類算法能很好地反映各屬性對(duì)于各個(gè)聚類的重要性,因而取得了比傳統(tǒng)聚類算法更好的結(jié)果.傳統(tǒng)聚類算法的應(yīng)用對(duì)象往往局限于單一獨(dú)立的數(shù)據(jù)集,但在很多情況下一個(gè)數(shù)據(jù)集要和其他數(shù)據(jù)集相互發(fā)生關(guān)聯(lián)。基于信息理論,本文提出的合作聚類算法反映了數(shù)據(jù)集間的相互作用關(guān)系,結(jié)果表明聚類結(jié)果將受到其他數(shù)據(jù)集的影響。在人類世界中,人眼是最有效的獲取知識(shí)的器官,也是最有效的聚類機(jī)制。因此模仿人眼的工作原理將為研究聚類分析提供一個(gè)非常好的平臺(tái)。

3、本文通過模擬人眼非均勻采樣的特點(diǎn),提出一新穎的視覺聚類分析算法,該算法對(duì)于解決聚類分析結(jié)果評(píng)價(jià)的有效性等有著重要的參考意義。 隨著生物科學(xué)技術(shù)在近幾年的發(fā)展,產(chǎn)生了大量的生物數(shù)據(jù)。利用傳統(tǒng)的生物實(shí)驗(yàn)方法將不能滿足目前處理如此多生物數(shù)據(jù)的需要。在這種情況下,生物信息學(xué)應(yīng)運(yùn)而生。生物信息學(xué)是計(jì)算機(jī)科學(xué)與生物科學(xué)的交叉學(xué)科,成為目前研究的熱點(diǎn).諸多數(shù)據(jù)挖掘技術(shù),如聚類分析、機(jī)器學(xué)習(xí)等,也成為生物信息研究中的重要內(nèi)容。文章在分析了前人利

4、用“無監(jiān)督”模糊C均值聚類算法在預(yù)測(cè)分析蛋白質(zhì)結(jié)構(gòu)方面的缺陷的基礎(chǔ)上,提出了一種”有監(jiān)督“的聚類算法用來預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)。實(shí)驗(yàn)表明,利用了訓(xùn)練數(shù)據(jù)類別標(biāo)號(hào)的"有監(jiān)督"聚類算法的分類精度比"無監(jiān)督"聚類算法有很大提高.通過這一點(diǎn)表明,在缺乏數(shù)據(jù)樣本類別標(biāo)號(hào)時(shí),"無監(jiān)督"聚類算法是一種優(yōu)秀的分析工具,但如果先驗(yàn)知識(shí)預(yù)先知道訓(xùn)練樣本的類別標(biāo)號(hào),采用“有監(jiān)督”的學(xué)習(xí)算法將更加有效。 在蛋白組學(xué)的研究中,一個(gè)重要的課題是如何離散化蛋白序列,

5、從而能為計(jì)算機(jī)所識(shí)別處理。諸多實(shí)驗(yàn)表明,偽氨基酸離散模型比傳統(tǒng)20-D氨基酸離散模型包含更多的序列順序信息,因而大大地提高了各類算法在蛋白質(zhì)屬性上的預(yù)測(cè)分析精度。但如何確定偽氨基酸成分的維數(shù)一直是困擾各位研究人員的問題。本文提出了集成分類器框架方案,通過集成多個(gè)不同維數(shù)的偽氨基酸離散化模型,解決了維數(shù)選擇問題,大量實(shí)驗(yàn)表明在大多數(shù)情況下,由于從不同角度抓住問題的核心,集成分類器比任何單一維數(shù)的分析精度都要高。隨著生命科學(xué)、生命數(shù)據(jù)庫的發(fā)

6、展,近幾年Gene Ontology(GO)數(shù)據(jù)庫得到了長足的發(fā)展。GO數(shù)據(jù)庫是一綜合多種不同數(shù)據(jù)庫的蛋白表達(dá)數(shù)據(jù)庫。本文利用GO蛋白的離散模型預(yù)測(cè)分析蛋白亞細(xì)胞位置,由于GO離散模型更能反映蛋白亞細(xì)胞位置的特性,因此取得了比其他離散化模型更好的效果。另外,本文所建立的數(shù)據(jù)集覆蓋了目前該領(lǐng)域研究中最多的亞細(xì)胞位置,大大擴(kuò)大了該項(xiàng)研究的實(shí)際應(yīng)用意義。為了更好地使廣大生物學(xué)家應(yīng)用本文生物信息學(xué)研究的成果,文章建立了多個(gè)在線生物信息預(yù)測(cè)分析網(wǎng)

7、站,經(jīng)不完全統(tǒng)計(jì),已有來自美國、英國、荷蘭、澳大利亞以及中國等世界各地的研究科學(xué)家通過互聯(lián)網(wǎng)訪問并使用所建立的在線生物信息服務(wù)網(wǎng)站,為科學(xué)研究的快速發(fā)展提供了強(qiáng)有力的支持。 本文的創(chuàng)新性表現(xiàn)在: (1) 提出高維核空間屬性加權(quán)核聚類算法,并從理論上證明了收斂性； (2) 討論了合作聚類模型,該模型在研究實(shí)際社會(huì)中的關(guān)聯(lián)模型上有重要意義； (3) 通過模擬生物人眼非均勻采樣的特點(diǎn),提出一種新穎的視覺聚

8、類算法； (4) 提出基于“有監(jiān)督”聚類算法的蛋白結(jié)構(gòu)預(yù)測(cè)模型； (5) 提出集成分類器框架模型,有效地解決了偽氨基酸蛋白離散模型的維數(shù)選擇問題；通過在諸多應(yīng)用對(duì)象、算法上的實(shí)驗(yàn)表明,該框架是切實(shí)可行的； (6)采用新型的GO蛋白離散模型分析預(yù)測(cè)蛋白亞細(xì)胞位置。該文所研究的細(xì)胞位置數(shù)目是目前該研究領(lǐng)域最多的,進(jìn)一步加強(qiáng)了該研究的實(shí)際應(yīng)用意義；另外,本文的研究涵蓋了多個(gè)應(yīng)用對(duì)象,如人類細(xì)胞、植物細(xì)胞、細(xì)菌細(xì)胞