论文部分内容阅读
基因表达数据的爆炸性增长迫切要求自动、有效的数据分析工具。目前聚类分析已成为分析基因表达数据、获取生物学信息的有力工具。
为了更好的挖掘基因表达数据，近年来提出了大量基于传统聚类的改进算法和新型聚类算法。本文首先简单介绍了基因表达数据的荻取和表示，然后介绍了基因表达数据聚类分析中常用的距离度量。系统地阐述了目前基因表达数据分析中的各种聚类算法，并根据聚类目标的不同将算法分为基于基因的聚类、基于样本的聚类和两路聚类。
根据基因表达数据的特点和基于密度的聚类算法的研究，本文提出了2种新型的基于密度的适用于基因表达数据的聚类算法。基于密度的聚类算法是处理基因表达数据的有效工具，但是传统的基于密度的算法，如DBSCAN，只能设定全局密度阈值而无法得到不同密度的聚类。本文提出的两种算法都克服了该缺陷，取得了较高精度的聚类结果。两种算法为DENGENE(DENsity-basedaustering using homoGENEit)，test)和DENCH(DENsity-based hierarCHicalclustering)。
DENGENE算法通过定义一致性检测和引进峰点改进搜索方向，使得算法能够更好地处理基因表达数据。通过使用一致性检测有效提高了聚类结果的精确度，克服了DBSCAN在全局阈值下易于过合并的缺陷。通过定义峰点(peakpoint)，也就是密度比其邻域内点都大的核心点，来改变聚类的生成方式。聚类扩展时从峰点出发，且每次扩展都只能沿密度最大的方向进行。
DENCH算法成功的结合了基于密度的聚类和层次聚类的优点，同时克服了两者的缺点。利用密度的概念较好的滤除了噪声，利用层次结构获得了数据分布的全局信息，因而能够有效的获得密度差异较大的聚类，克服了传统的基于密度的算法的缺陷。与传统的层次聚类相比，DENCH的层次结构中的基本单位是一组点而不是一个点，使得DENCH的健壮性显著提高。此外DENCH还提供了自动将层次聚类结构转化为直接划分的聚类结果。
为了评价算法的性能，选取了两组广为使用芽殖酵母基因表达数据集对算法来进行测试.实验结果表明，和基于模型的五种算法、CAST算法、K-均值算法等相比，DENGENE和DENCH在滤除噪声和聚类精度方面取得了显著的改善。
为帮助用户有效的分析基因表达数据，开发了基于Java/SWT的工具GeneXP。该工具集成了多种聚类算法，除DENGENE和DENCH外，还包括层次聚类算法、K-均值算法、自组织映射，模糊C-均值算法等。GeneXP还提供了常用的数据预处理功能和多种不同的距离度量功能。用户可使用可视化工具来直观的分析聚类结构，还可有效比较不同的聚类结果，以及集成不同聚类算法的处理结果。