精品课件-生物信息学中的数据挖掘

(e)
ci
：聚类Ci 的基因在情形e的平均表达
续
m个情形轮流作为校验情形 总FOM越小越好
m1
FOeoM (kk)FO(eM ,k) e0
由上图可知：B方法优于A方法 聚类质量与聚类数有关 对给定数据集预先不能确定最佳聚类数
小结
本质为评价分类器的精确度 并假设对象的标签 轮流隐藏每个对象的标签 用分类器统计对象的标签
量
计算分析的步骤
Step 1 聚类表达数据 Step 2 发现序列模式 Step 3 发现显著性阈值，其中会重复Step 2 Step 4 模式选择 Step 5 模式分组 Step 6 评价发现的模式
结论
基因表达分析方法处于初级阶段 使用粗糙
未系统地研究合适的相似性度量方法 评估度量质量的方法 来自不同平台的数据的比较
基因表达分析举例
1.发现某些基因的表达与某癌症相关 2.探索哪些情况影响这些基因的表达 探索哪些基因有相似的表达模式 3.调查哪些化合物（潜在的药物）能降低
这些基因的表达
基因表达矩阵分析
不同基因的表达模式比较：行比较 不同情形的表达模式比较：列比较 以上两种结合（前提：数据规范化）
FOM
情形0,1,…,(e-1),(e+1),…,(m-1)被用于聚类
情形e用于评估
产生K个聚类C1，C2，…，CK

聚类大小为S1，S2，…，SK
k
si n
i 1
R(i，j)表示基因i在情形j的表达
FOM(e，k)：e情形验证K个聚类的FOM
FO (e ,k )M 1 n ik 1 x c i(R (x ,e )c i(e )2
发展方向
分析方法大量涌现 可靠的相似表达分析方法 度量方法的研究 聚类结果的评价方法 系统化分析基因的方法 逐基因分析方法被网络式分析取代 结合生物知识深入分析
基因表达数据聚类分析算法的评价
系统、定量地评估聚类算法的结果
方法
将某个聚类算法作用于各实验数据中，保 留一种情况，用于评价算法预测能力
用相似性分组 可看作维规约 层次聚集、k-means、自组织图 桶方法 专用方法：如在图中发现近似系的方法
聚集结果中一个聚集的可视化表示
例
K-means方法：3000基因15个时间点， 聚为30 类
层次聚类：8600基因80次实验，10个类
选择有趣的基因
比较两个或多个情形，得到表达变化的基 因
传统方法：用生物学知识可视化 地评价（2）
将计算作用于模拟数据集
结果可视化
左图：原数据聚集结果 右图：模拟数据聚集结果
之前无系统的数据驱动的方法定量地评估
提出一种定量的数据驱动的方法评估与比 较不同聚类算法的算法
相似矩阵
预聚类 将两个基因表达原始序列归约为一个值： 对相似数
聚类算法评价的历史方法
外部标准分析
将聚类结果与已知的“金”标准比较
内部标准分析
用给定数据集内的信息评价
问题描述
n个基因，m个实验 共调控基因的表达水平相似 比较聚类算法A与算法B的结果
方法
用m-1个实验聚类 用剩余的1个实验评估算法的预测能力 同一聚类的基因在此实验中表达是否相似 优良指数FOM（figure of menz）
双路（two-way)聚类-基于分片 的聚类
行聚类与列聚类结合
哪些基因在列聚类中做重要
如：6500个基因，40肿瘤，20正常组织
有监督分析：构造分类器
线性识别 决策树 支持向量机（SVM） 邻居分析
有监督分析-优化
属性（基因）多于对象（情形） 不限制分类器的复杂度也可找到优良的识
作者提出的算法
不预先假设任何基因的信息 用FOM评估 可用于任意聚类算法与相似矩阵
实验用算法
CAST、重复算法、K-means 随机聚类算法
FO 2(e,kM )1 n i k1x ci(R (x,e)ci(e)2)
三个聚类算法：平均连接层次聚类、 CAST、自组织图
三个公共数据库
传统方法：用生物学知识可视化 地评价（1）
构建模拟数据集D(i,j)
αi:基因I的平均表达水平 βj：每个情形（实验）j的平均表达水平 态di分j：布用αi + βj为均值，1为参数的标准正
所以模拟数据集无本质的模式。
关
相似性（距离）的度量
无如何选择最佳距离度量的理论 最合适距离度量方法不一定存在 选择依赖于具体问题 已知的共调控基因标准集和基因调控网络
模型可能有助于发现潜在的相似性度量
矩阵分析
无监督方法：聚集 有监督方法：构造分类器
有其他信息，如功能分类，作为行或 列标签
无监督分析：聚集
比较-发现相似或不同
行比较：
两行相似意味两基因共调控或功能相关
列比较：
哪些基因的表达变化了
相似性（距离）的度量
将对象（行或列）作为n维空间的点或n维 向量
计算点间距离 欧几里德距离：结果明显但非最佳பைடு நூலகம் 将n维向量作为随机变量用相关系数计算
（ 与n维向量间的角度有关） 将n维向量长度规范化为1，则以上两种相
别器 可以构造简单的分类器，满足简单性与分
类精确性
一个新算法
用无监督聚类得到表达模式空间的层次结 构
用有监督方法发现与聚类结构相关的最佳 阈值
发现调控因素 从聚类中发现基因功能 原理：
识别推定的调控信号方法
1 基于选定的度量聚类基因 2 在聚类的基因中提取推定的激发序列 3 在过表达的聚类中发现序列模式 4 用统计显著性标准评价发现的模式的质
生物信息学中的数据挖掘
后基因组时代的研究方向
基因组怎样产生功能的 主要问题： 不同基因，不同细胞过程中的功能
基因调控方式 基因与基因产物的互作用方式 以上2种网络
基因表达水平在不同细胞类型和状态下的 不同
基因芯片
建立基因表达模式：基因表达矩阵
基因为行 情形为列