首页 > 文献资料
-
非负矩阵分解算法在胃癌基因表达数据分类中的应用
依据基因表达数据,利用计算机技术对其样本进行分类并找到在肿瘤组织中特异表达的基因,使之能够对疾病的治疗和生物医学研究起到有益的参考和借鉴作用.本文采用非负矩阵分解算法,对基因表达数据进行分析,然后对分解后得到的基矩阵中各集合基因进行比较,找出在肿瘤组织中有特异表达的基因,并做出生物解释.以胃癌基因表达数据为例进行实验,结果表明了该方法的可行性和有效性.
-
聚类和关联规则挖掘在基因表达数据分析中的应用研究
随着DNA微阵列技术的广泛应用,产生了海量基因表达数据,如何利用这些数据研究基因间的调控关系成为当前生物信息学的一个研究热点.关联规则挖掘是数据挖掘领域的一个重要技术,然而直接埘基因表达数据进行关联规则挖掘存在两个问题:一是时间和空间复杂度过高;二是获得的规则仅定性表示基因间的调控关系,无法提供关于调控关系强度的信息.本文利用聚类实现数据降维,然后将基因表达水平离散化为七个状态,后关联分析每个聚类中的基因表达数据.实验结果表明本文的分析方法是有效的.
-
小波多尺度在基因表达芯片分析中的应用研究
从基因表达芯片的特点出发,提出基因表达数据的小波多尺度理论分析方法,并介绍了从小波变换基因图像芯片去噪、基因表达的多尺度特征提取和基因表达调控的稳定性分析等三个不同层面对基因表达数据进行分析的基本思想、方法和应用概况,为生物信息学的发展和基因表达数据分析技术提供新的思路和方法.
-
肿瘤坏死因子α介导基因预测肺癌无复发生存的价值
在这项研究中，我们进行了高通量基因表达数据的荟萃分析，以确定肿瘤坏死因子α(TNF-α)介导基因在肺癌中的意义。我们首先调查了两个独立的 TNF-α/ TNFR KO 基因敲除小鼠模型的基因表达图谱。表皮生长因子受体信号通路是与 TNF-α介导的基因为有关的顶部路径。在将 TNF-α介导的小鼠基因与其人类同源基因匹配后，我们比较了 TNF-α介导基因在人正常和肺部肿瘤组织表达模式的差异。基于上述研究，我们发现肺部肿瘤时 TNF-α介导基因失调，我们开发了能够有效预测肺癌无复发生存的预后评估基因签名，并创立了两个验证队列对其进行验证。重复取样检验表明，该基因签名评价预后的效力不是偶然的，多变量分析表明，该基因签名是独立于传统临床因素的评价预后的预测因子，有助于高复发风险肺癌患者的识别。
-
结肠癌基因表达谱降噪算法研究
目的：对肿瘤基因表达谱的分类和提取过程中大量的数据噪声进行研究。方法：在总结前人研究的基础上，本文研究了离散余弦变换和小波变换两种变换算法，且着重介绍了小波变换。结果：对结肠癌基因表达谱进行实验验证，实验结果表明降噪效果良好，并且有效的保留了主要分量。结论：生物医学信息方法结合数学算法能够很好的对肿瘤基因表达谱进行分析和处理。
-
基因表达数据的随机森林逐步判别分析方法
目的 给出一种新的随机森林算法,它能在建模过程中自动对变量进行筛选,建立"优"判断模型.方法 采用变量重要性评分和逐步迭代算法选择有作用的变量;通过实际基因表达数据考核其应用效果,并使用R语言编程做模拟试验验证其有效性.结果 三种疾病基因表达数据的判别模型,在包含很少量的基因情况下便获得了理想的分类效果;模拟试验则显示在类间区分度较大的情况下,随机森林逐步判别分析的效果明显,能有效地将有作用的变量保留在模型中,提高模型的判别效果;在类间区分度不够大的情况下分类效果提高不明显.结论 随机森林逐步判别分析可以有效地应用于基因表达数据的基因筛选和分类研究,但要特别注意由随机波动对分析结果造成的影响.
-
支持向量机在基因表达数据分类中的应用研究
目的 探讨支持向量机在基因表达数据分类研究中的应用条件和效果.方法 使用支持向量机软件包,通过实际基因表达数据考核其应用效果,并通过模拟试验进一步验证和研究在含有大量无差异表达基因情况下对分类产生的影响.结果 对四种疾病的真实基因表达数据的分类取得了良好的效果,模拟试验则显示了支持向量机对分类具有较高的准确性,但随无差异基因数量的增加其分类效果呈明显下降的趋势;在类问分离一定的情况下,差异表达基因数目较多、基因之间具有较高的相关性时,更容易获得好的分类效果.结论 支持向量机在解决小样本、非线性及高维问题中表现出许多潜在的优势,可以有效地用于分析基因表达数据的分类问题.
-
基因表达数据判别分析的随机森林方法
目的 探讨随机森林算法在基因表达数据分类研究中的应用.方法 通过实际基因表达数据考核其应用效果,并通过模拟试验进一步验证和研究在存在大量无差异表达基因情况下对分类产生的影响.结果 随机森林算法对基因表达数据的分类具有较高的准确性,但随着基因数量的增加其判别效果呈下降的趋势,在差异表达基因之间具有相关性时,下降趋势明显减慢,能够获得较理想的分类效果.结论 随机森林算法对基因表达数据的分类研究有较好的判别效果.
-
Radviz可视化方法在基因表达数据分析中的应用
目的 介绍Radviz可视化的基本原理和方法,并将Radviz可视化应用于基因表达数据的分类和特征选择.方法 以结肠癌基因表达数据为例,结合启发式搜索和Vizrank可视化评估,利用Radviz可视化实现基因表达数据的分类和差异基因排序.结果 由Vizrank算法得到排序前100的Radviz可视化结果,优的Vizrank得分为0.9491,并得到了17个用于可视化分类的差异基因,其中部分基因获得了生物学解释.结论 Radviz能够形象的呈现隐含在数据中的模式特征,较好地用于基因表达数据的可视化分类和差异基因筛选.
-
基于LibSVMs软件的基因表达数据处理
近年来新方法不断被应用于微阵列表达数据的处理.其中,支持向量机(SVMs)以其独特的优势被大多数研究者所接受.随着SVMs方法的不断完善,如何简单、有效地将其应用于微阵列表达数据分析成为研究者们关注的又一问题.利用计算机软件实现SVMs对海量的基因表达数据的处理无疑是一个好的解决途径,在众多SVMs软件中,由Chih-ChungChang、Chih-Jen Lin等人开发的LibSVMs(v2.4)较为简单实用.该软件发行于2003年4月1日,是目前SVMs各类软件中较新的版本[1].本文将基于该软件,详细介绍利用SVMs的一般模型处理基因表达数据的全过程.
-
广义似然比检验应用于基因芯片表达数据的分析
基因芯片技术的出现使同时监测成千上万个基因的表达成为可能,人们可以全面的在基因组水平上揭示不同基因之间的相互关系,使研究效率明显提高,为基因诊断和基因治疗提供了可能性.但基因芯片技术的成本昂贵、复杂、检测灵敏度较低、重复性差等特点制约了其发展,特别是其得到的海量数据的分析成为基因芯片研究的瓶颈[1].利用基因芯片获得的基因表达数据具有数据量大、维数高、样本量小、非线性的四大特点.所以如何采用有效的数学统计方法找出隐藏在基因表达数据下的生物信息成为当前的研究重点.
-
SVMs在基因表达谱数据分析中的应用
目前,微阵列技术已被广泛应用于基因表达水平的录制实验.所获得的基因表达数据通常包括上万条基因的测量值,很多传统方法在处理这样的海量数据时都存在着问题.并且,由于制作工艺和经费的限制,实验所获得的数据集常含有较少的组织样本,而每一组织却包括上万条基因的表达水平,大多数有监督的方法应用效果都不理想.一种新的有监督的分析技术--支持向量机(Support Vector Machines,SVMs)已被证明十分适合处理这样的基因表达数据.大量关于基因表达数据处理的文献在肯定SVMs独特优势的同时,对于其原理与算法的具体实现却较少进行总结和详细介绍.本文将结合数据挖掘的相关知识,从SVMs的基本原理出发,详细介绍SVMs在微阵列表达数据分析中的应用.
-
基于肿瘤患者高维生物信息的生存预测
高维DNA微阵列技术这种强大的基因组扫描方法为肿瘤分型提供了遗传学研究工具.其基因表达谱被广泛的应用于癌症的分子水平分类,发现新的标记物和新的治疗靶标,并以此来预测药物基因组研究领域中不同水平的药物应答和不同病人的临床结果.用基因预测癌症分类已为国内外学者关注,并取得了很大的进展.然而,由于癌症病人的癌症复发时间很不稳定,研究有删失的生存显型的概率可能比仅将显型处理成二分类或者分类变量要得到更多的信息.因此近年来,从基因表达数据和其他的高维染色体数据进行生存预测已经成为很多研究的主题,研究者希望可以通过揭露死亡时间或复发时间和肿瘤基因表达谱之间的关系来得到更精确的预后并改进治疗策略,使之成为一种有用的诊断工具.
-
Apriori关联规则在基因表达数据中的应用研究
众多的基因数据形成了海量的基因数据环境,在复杂的基因关系中准确建立基因数据的关联关系,对疾病的诊疗至关重要.传统的Apriori算法受到基因数据海量、基因数据关联复杂的影响,导致效率降低.本文提出改进的Apriori算法应用在基因表达数据中,首先减少生成的频繁项集,来减少剪枝中判断数据的数量,从而节约了大量的时间.通过实验数据的计算验证了本算法的有效性.
-
基于遗传算法的基因表达数据的K-均值聚类分析
聚类算法在基因表达数据的分析处理过程中得到日益广泛的应用.本文通过把 K-均值聚类算法引入到遗传算法中,结合基因微阵列的特点,来讨论一种基于遗传算法的K-均值聚类模型,目的是利用遗传算法的全局性来提高聚类算法找到全局优的可能性,实验结果证明,该算法可以很好地解决某些基因表达数据的聚类分析问题.
-
基于炎症反应的阿尔茨海默症基因通路研究
目的 融合基因表达数据和蛋白质交互作用数据(PPI),同时考虑到炎症反应是阿尔茨海默症(AD)核心病理机制之一,构建基于炎症因子核因子-κB (NF-κB)的AD相关信号传导通路.方法 首先,使用线性回归模型进行显著基因提取;然后,使用整数线性规划方法(ILP)融合基因表达数据和PPI数据,构建信号传导通路.结果 得到以NF-κB为起点的预测通路,通路中包含6个已确定的AD致病基因,并探寻出与AD密切相关的T/B细胞受体信号通路,发现多个与炎症相关的基因.结论 证明炎症反应是AD产生和发展的重要因素之一.
-
乳腺癌组织学分级下目标基因提取及转录调控网络构建
目的乳腺癌类型和分级多样性导致其预后差别显著，探寻乳腺癌不同分级情况下的基因表达差异及调控关系能够为乳腺癌致病机制的发现提供重要依据。方法对不同分级下的乳腺癌基因表达数据利用快速独立成分分析( FastICA)方法提取特征基因，并结合人类蛋白质相互作用( PPI)数据选取目标基因。在此基础上，结合转录因子对靶基因调控的先验信息，利用网络成分分析( NCA)方法对与乳腺癌发病有密切关系的转录因子及其靶基因构建转录调控网络。结果筛选出的基因经过数据库验证与乳腺癌相关的占48.15%，构建的调控网络发现了多个转录因子及靶基因在不同分级情况下的活性变化趋势。结论 FastICA算法结合PPI数据提取目标基因的方法较为有效，通过NCA算法构建的转录调控网络为研究乳腺癌发生发展机制提供了新的方法。
-
高维数据特征提取方法SAM-SVM的应用研究
目的 探讨SAM与支持向量机相结合(SAM-SVM)的方法在高维数据中的变量筛选效果.方法采用R语言编程,根据SAM算法,按照变量重要性排序,通过支持向量机分类模型验证其筛选效果.经过多次迭代满足收敛条件时,自动选择"优"模型.将该方法应用于真实高维数据考核其应用效果,并通过模拟试验验证其有效性.结果对3种疾病的真实高维基因表达数据分别采用上述方法进行变量筛选,均取得了良好的效果,模拟试验也显示使用筛选后的变量再利用支持向量机进行分类判别,具有较高的准确性.结论基于SAM的支持向量机逐步判别方法在解决小样本、非线性及高维问题中表现出许多潜在的优势,可以有效地用于分析高维基因表达数据的特征提取问题.
-
烟酒成瘾者基因差异性表达及成瘾机理研究
探索烟酒成瘾者的差异表达基因及成瘾机理.基于烟酒成瘾者的基因表达数据,利用方差分析方法分别提取吸烟成瘾与饮酒成瘾样本中的差异表达基因,根据其对应的生物过程对成瘾机理展开研究.吸烟成瘾的特征基因数量为197,饮酒成瘾的特征基因数量为77,七条基因在吸烟和饮酒特征基因中均有出现.TMEM53基因和TLN2基因的表达量对吸烟与饮酒均成明显的负相关;IGFBP7、FN1、HNRNPA2 B1、FLJ59422、SYNJ1基因对吸烟与饮酒均成明显的正相关.其中TLN2、FN1、IGFBP7、HNRNPA2B1均与癌症存在密切的相关性,故烟酒成瘾可能对癌症的发病和治疗产生影响.
-
基因表达数据中误分类点的识别与处理
有监督的分析方法目前已被广泛应用于微阵列表达数据分析中,但训练集本身存在的个别样本的误分类情况大大影响了分类的质量.支持向量机(SVMs)是近几年出现的一种新的通用学习算法,它独特的性能不仅非常适合于处理微阵列基因表达数据,而且还能对训练集中的误分类点做出准确的推测.介绍了如何利用SVMs算法对cDNA微阵列表达数据中的误分类点进行识别,并对如何处理误分类点给出了几点建议.
