张 林,刘 辉
(中国矿业大学 信息与电气工程学院,江苏 徐州 221116)
近年来基因芯片、基因表达数据的出现导致基因表达数据的爆炸性增长,有关DNA基因表达数据的生物信息学研究方法发展迅速。基于高通量的DNA基因表达数据实现相关预测已成为生物医学实验检测技术的重要补充。如何从具备高维度、小样本、高冗余特征的基因表达数据中利用计算机分析工具得到有用的信息,已成为基因表达数据分析的主要内容。聚类分析作为一种重要的数据分析方法,在基因表达数据的分析中已有广泛的应用,如通过对样本的聚类分析自动对不同的疾病亚型或实验条件实现区分,通过对基因聚类发现未知基因的功能,等等。
大多基于模型的聚类算法在假设给定聚类数的前提下,根据待聚类样本的属性,建立有限混合模型对基因表达数据展开研究,模型中聚类数的确定问题通常通过模型选择问题加以解决,因而聚类的准确性和泛化性受到模型选择准则的影响。作为无限混合模型核心的Dirichlet过程,则被广泛应用于解决传统的有限混合模型中子模型个数不确定的难题。
本文拟基于DNA基因表达数据建立Dirichlet过程无限混合模型展开聚类分析,其中的聚类数将由模型和数据自主计算得出[1~3],无需独立确定,因而更为灵活。
DNA基因表达数据通过荷载成千上万个基因片段,实现高通量的生物学检测,使得从整个人类基因组研究基因的表达与调控成为可能。……