小波變換—模式識(shí)別挖掘代謝物組學(xué)信息的研究.pdf

1、如何從利用海量的波譜數(shù)據(jù)挖掘出重要的信息是代謝物組學(xué)研究需要解決的重大問(wèn)題.本文以4種基因型的擬南芥樣本為例,C010和C24是親本基因型,Co10×C24和C24×Co10是兩個(gè)雜交基因型.通過(guò)比較主成分分析、等級(jí)聚類(lèi)分析及BP人工神經(jīng)網(wǎng)絡(luò)等三種最具代表性的數(shù)據(jù)分析方法與小波變換結(jié)合前后得到的模式識(shí)別結(jié)果,探討將小波變換引入代謝物組學(xué)領(lǐng)域生物信息學(xué)研究的可行性和實(shí)用性. 本文結(jié)合小波變換能夠在頻域進(jìn)行去噪和信息提取的能力及主成

2、分分析對(duì)多元數(shù)據(jù)降維和樣本關(guān)系可視化的能力建立了小波變換一主成分分析(WT-PCA)的方法.研究表明小波函數(shù)的選取對(duì)WT-PCA的結(jié)果具有一定影響.利用DB8小波,WT-PCA對(duì)4種不同基因型擬南芥樣本的區(qū)分度達(dá)到了90.675﹪,而PCA僅為46.875﹪:PCA對(duì)其中的2個(gè)雜交基因型基本不能進(jìn)行區(qū)分,而WT-PCA對(duì)二者的區(qū)分度達(dá)到了81.25﹪. 本文結(jié)合等級(jí)聚類(lèi)分析的結(jié)果客觀(guān)性強(qiáng)的特點(diǎn)建立了小波變換一等級(jí)聚類(lèi)分析(WT-

3、HCA)的方法.類(lèi)間距離對(duì)HCA的結(jié)果具有顯著影響.利用最小方差距離得到的結(jié)果優(yōu)于利用最近距離、最遠(yuǎn)距離和平均距離得到的結(jié)果.利用最小方差距離,HCA對(duì)4種基因型和2個(gè)雜交基因型樣本的區(qū)分度分別為84.375﹪和75﹪. WT-HCA將結(jié)果大大提高,分別達(dá)到了90.675﹪和81.25﹪. 本文結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)非線(xiàn)性學(xué)習(xí)和自適應(yīng)性的能力以及小波變換優(yōu)化輸入變量的能力建立了小波變換-BP人工神經(jīng)網(wǎng)絡(luò)(WT-BPNN)的有監(jiān)督模