相似性度量在基因表達(dá)聚類分析中的應(yīng)用研究

1、論文發(fā)表專家一8 國(guó)學(xué)朮發(fā)叢網(wǎng)www,qikanwangnt相似性度量在基因表達(dá)聚類分析中的應(yīng)用研究摘要：聚類分析是基因表達(dá)數(shù)據(jù)分析研究的主要技術(shù)之一，其算 法的基本出發(fā)點(diǎn)在于根據(jù)對(duì)象間相似度將對(duì)象劃分為不同的類， 選 擇適當(dāng)?shù)南嗨菩远攘繙?zhǔn)則是獲得有效聚類結(jié)果的關(guān)鍵。 采用預(yù)處理 過(guò)的基因數(shù)據(jù)集在不同相似性度量準(zhǔn)則下進(jìn)行的不同聚類算法的 聚類分析，并得到聚類結(jié)果評(píng)價(jià)。其中算法本身的缺陷及距離相似 性度量的局限性都是影響結(jié)果評(píng)價(jià)的因素， 為了獲得更有效的聚類 結(jié)果，改進(jìn)相關(guān)聚類算法并提出了一種比例相似性度量準(zhǔn)則。關(guān)鍵詞：dna微陣列；聚類分析；相似性度量；基因表達(dá)dna微陣列(dna micro

2、array)技術(shù)的日益成熟導(dǎo)致了基因表達(dá)數(shù)據(jù)不斷擴(kuò)大，尤其在近十幾年內(nèi)更以指數(shù)形式增長(zhǎng)。如何分析 和處理大量的基因表達(dá)數(shù)據(jù)，從中提取有用的生物學(xué)或醫(yī)學(xué)信息，已成為后基因組時(shí)代研究的瓶頸12。由于基因芯片產(chǎn)生巨量的表達(dá)譜數(shù)據(jù)，數(shù)據(jù)挖掘技術(shù)已經(jīng)被廣泛的應(yīng)用到基因表達(dá)譜的許 多方面，并取得成功。聚類分析是基因表達(dá)數(shù)據(jù)分析研究的主要技 術(shù)之一 2 3,并且作為一種有效的數(shù)據(jù)分析工具，已廣泛地應(yīng)用于圖像處理、信息檢索、數(shù)據(jù)挖掘等領(lǐng)域。目前，作為研究基因表達(dá)數(shù)據(jù)的主要技術(shù)之一的聚類分析算法有 很多種，如分層聚類(hierarchical clustering),k均俏聚類(k_means clusteri

3、ng)，自組織映射(self organizing maps, soms),主成分分析(principal component analysis,pca)等等。但由于匸交發(fā)表專家一LB 國(guó)學(xué)朮發(fā)叢網(wǎng)不同聚類算法， 甚至同一聚類算法使用不同參數(shù)， 一般都會(huì)產(chǎn)生不 同的聚類結(jié)果。因此，在對(duì)數(shù)據(jù)處理過(guò)的基因表達(dá)矩陣聚類分析時(shí)，選擇合適的聚類相似性準(zhǔn)則至關(guān)重要，同時(shí)也是獲得合理、精確的 聚類結(jié)果的關(guān)鍵。1dna微陣列dna微陣列(dna microarray),也叫基因芯片。它將幾十個(gè)到上 百萬(wàn)個(gè)不等的稱之為探針的核苷酸序列固定在微小的(約1 cm2)玻璃或硅片等固體基片或膜上，該固定有探針的基片就稱

4、之為dna微陣列。1.1基因表達(dá)數(shù)據(jù)的獲得和表示在不同的實(shí)驗(yàn)環(huán)境條件或是不同的時(shí)間點(diǎn)，通過(guò)對(duì)基因芯片的掃 描，可以得到不同的實(shí)驗(yàn)數(shù)據(jù)， 所以這些數(shù)據(jù)是基因在一定實(shí)驗(yàn)條 件下或一段時(shí)間內(nèi)的表達(dá)情況。經(jīng)過(guò)對(duì)這些數(shù)據(jù)表達(dá)進(jìn)行預(yù)處理和 標(biāo)準(zhǔn)化后，產(chǎn)生得到的微陣列數(shù)據(jù)也就是基因表達(dá)數(shù)據(jù)。微陣列基因表達(dá)數(shù)據(jù)主要為數(shù)值型，并以矩陣的方式存儲(chǔ)，“行”為各個(gè)基因在不同環(huán)境條件下或不同時(shí)間點(diǎn)的表達(dá)情況，“列”是同一環(huán)境或時(shí)間下一個(gè)樣本所有基因的表達(dá)譜。每一個(gè)元素代表第i個(gè)基因在第j個(gè)樣本中的表達(dá)水平。1.2基因數(shù)據(jù)的研究現(xiàn)狀與已經(jīng)發(fā)展了幾十年的結(jié)構(gòu)基因組學(xué)相比，基因表達(dá)譜的生物信 息學(xué)僅處于起步階段?，F(xiàn)階段基因芯

5、片所遇到的挑戰(zhàn)并不在于表達(dá)論文發(fā)表專咅一01國(guó)SF/KJSB網(wǎng)wwwqikan訓(xùn)日ng.n巳t芯片實(shí)驗(yàn)技術(shù)本身，而是發(fā)展實(shí)驗(yàn)設(shè)計(jì)方法及數(shù)據(jù)分析4。實(shí)驗(yàn) 數(shù)據(jù)的預(yù)處理、標(biāo)準(zhǔn)化的方式，度量相似性的方式以及所選擇的聚 類方法都會(huì)對(duì)分析結(jié)果產(chǎn)生影響。面對(duì)海量的基因數(shù)據(jù)，聚類算法 也不只是拘泥于傳統(tǒng)的k均值算敢，層次聚類算法上，而是向著 多元化、專門(mén)化、復(fù)雜化的方向發(fā)展。2聚類相似性研究在日常生活中進(jìn)行識(shí)別時(shí)也總是利用相似性概念，但是人們又很 難對(duì)“相似”或“不相似”做出明確的定量表述， 因此通常所說(shuō)的 相似性只具有定性的或不確定的性質(zhì)。 怎樣對(duì)相似性概念給以明確 的定量表述是模式識(shí)別工作者要解決的任務(wù)

6、之一。2.1相似性度量?jī)蓚€(gè)樣本間的相似性或離散度的測(cè)量稱為相似性度量，簡(jiǎn)稱相似 度。聚類通常按照樣本間的相似性進(jìn)行分組， 因此如何描述對(duì)象間 相似性是聚類分析的一個(gè)重要問(wèn)題。聚類分析按照樣本之間的親疏遠(yuǎn)近程度進(jìn)行分類。為了使類分得 合理，必須描述樣本之間的親疏遠(yuǎn)近程度?？坍?huà)聚類樣本之間的親 疏遠(yuǎn)近程度主要有以下2類函數(shù)：(1)距離函數(shù)?？梢园衙總€(gè)樣本看作高維空間中的一個(gè)點(diǎn)，進(jìn) 而使用某種距離來(lái)表示樣本之間的相似性，距離較近的樣本性質(zhì)較 相似，距離較遠(yuǎn)的樣本則差異較大。(2)相似系數(shù)函數(shù)。兩個(gè)樣本愈相似，則相似系數(shù)值愈接近1;論文發(fā)表專家一m國(guó)學(xué)朮發(fā)叢網(wǎng)www.qikanwa ng.na樣本愈不

7、相似，則相似系數(shù)值愈接近0。這樣就可以使用相似系數(shù)值來(lái)刻畫(huà)樣本性質(zhì)的相似性。d(i, j)是樣本i和樣本j之間相似性的量化表示，通常它是個(gè)非負(fù)的數(shù)值，一般地，距離函數(shù)有如下數(shù)學(xué)要求：(1)d(i, j)0:距離是個(gè)非負(fù)的數(shù)值；d(i, i)=0: 一個(gè)對(duì)象與自身的距離是0;d(i,j)=:d(j, i):距離函數(shù)具有對(duì)稱性；d(i, j)d(j,h)+d(h,i):從對(duì)象i到對(duì)象j的直接距離不會(huì)大于途經(jīng)任何其他對(duì)象h的距離(三角不等式)。如何選擇相似性的度量方法是一個(gè)相當(dāng)復(fù)雜的問(wèn)題，因?yàn)橄嗨贫?的選擇可以在很大程度上影響聚類算法的輸出5。目前，有很多 相似性度量應(yīng)用到基因表達(dá)數(shù)據(jù)分析當(dāng)中。例如

8、：歐式距離、曼哈 坦距離、pearson相關(guān)系數(shù)、無(wú)中心pearson相關(guān)系數(shù)(對(duì)應(yīng)兩個(gè) 數(shù)據(jù)向量之間角度的余弦值)、spearman的排列相關(guān)系數(shù)等。在基 因表達(dá)數(shù)據(jù)聚類分析中，相似度普遍采用pears on相關(guān)系數(shù)和歐氏 距離6 7。在上述的幾個(gè)相似性度量中，歐幾里德距離和曼哈坦距離滿足前 述4個(gè)要求。但是其他幾個(gè)度量標(biāo)準(zhǔn)是基于相關(guān)系數(shù)的函數(shù)，它們并不完全滿足距離函數(shù)的要求。通常用相關(guān)系數(shù)r定義距離d為:d=1-r。這樣，所有的基于相關(guān)系數(shù)的相似性度量標(biāo)準(zhǔn)都使用這個(gè)定義而被轉(zhuǎn)化為距離。但是注意這種距離函數(shù)并不滿足二角不等2.1.1歐氏距離設(shè)有兩個(gè)基因樣本xi,xj，這兩個(gè)樣本可能在同一類中

9、，也可能 在不同的類中，因此，可以計(jì)算同一個(gè)類內(nèi)樣本與樣本之間的距離，也可以計(jì)算屬于不同類樣本與樣本之間的距離。歐氏距離測(cè)量空間 中兩個(gè)點(diǎn)的絕對(duì)距離，故同時(shí)考慮了矢量的方向和幅度。 則基因樣 本xi和xj之間的歐氏距離定義：di,j(xi,xj)=(xixj)t(xixj)二刀nk=1(xikxjk)2di,j越小，則兩個(gè)樣本距離越近，就越相似。2.1.2pearson相關(guān)系數(shù)pearson相關(guān)系數(shù)也是一種相似性測(cè)量， 大的相關(guān)系數(shù)意味著相 似性程度高。pearson相關(guān)系數(shù)從本質(zhì)上說(shuō)是測(cè)量?jī)蓚€(gè)表達(dá)矢量所 指方向的相似性?；驑颖緓i和xj之間的pearson相關(guān)系數(shù)定義:r(xi,yj)=刀

10、nm=1(xi,mi)(yj,myj)刀ni=1(xi,mi)2刀nj=1(yj,myj)2式中：i,yj分別為基因i和j在n個(gè)實(shí)驗(yàn)條件 下的平均表達(dá)水平；pearson相關(guān)系數(shù)取值于-1,1,兩個(gè)相同的基因樣本的相關(guān)系數(shù)為1,相關(guān)系數(shù)為0的兩個(gè)基因樣本被認(rèn)為是 不相關(guān)的，而相關(guān)系數(shù)為-1的兩個(gè)基因樣本是反相關(guān)的8。2.2類相似性度量層次聚類算法有兩個(gè)關(guān)鍵問(wèn)題，首先是如何選取類間相似性度 量，它是由兩tnii學(xué)朮友叢網(wǎng)wwwqikanwang.n論文發(fā)表專家一l類聚合為一類的依據(jù)；其次是聚合過(guò)程應(yīng)該停留在哪匸交發(fā)表專家一m國(guó)學(xué)朮發(fā)叢網(wǎng)一級(jí)上，這與最終聚合成幾類有關(guān)，也與聚類相似性有關(guān)。如前面

11、所述，根據(jù)不同的相似性度量標(biāo)準(zhǔn)(這里為某一距離標(biāo)準(zhǔn)或是相關(guān) 系數(shù))， 可以有不同的層次聚類方法。在層次聚類算法中需要計(jì)算 兩個(gè)類之間的相似度度量。常見(jiàn)的類間距相似性有最短距離法層次 聚類、最長(zhǎng)距離法層次聚類、平均距離法層次聚類和重心法層次聚 類。(1)最短距離。規(guī)定兩個(gè)類間相距最近的兩個(gè)點(diǎn)之間的距離，為兩個(gè)類的相似度。則簡(jiǎn)單連接定義為：di,j=mi n(di,j), dij=xixj,xi3i,xj3j式中dij是3i中任意一點(diǎn)與wj中任意一點(diǎn) 的歐式距離。(2)最長(zhǎng)距離。規(guī)定兩個(gè)類間相距最遠(yuǎn)的兩個(gè)點(diǎn)之間的距離，為 兩個(gè)類的相似度。則完全連接定義為：di,j=max(di,j), dij=x

12、ixj, xi3i,xj3j式中dij是3i中任意一點(diǎn)與3j中任意一點(diǎn) 的歐式距離。(3)平均距離。計(jì)算兩類之間所有樣品的距離，求和，取距離的均值作為兩類間的距離。則平均連接定義為：di,j=1 ninj刀xi3ixj3jxixj式中ni,nj分別是3i,3j類中的樣品的個(gè)數(shù)。(4)重心連接。各類中所有樣品的平均值作為類的重心，用兩類的重心間的距離作為兩類距離，則重心連接定義為：di,j=x(3i)x(3j)式中：x(3i)=1 ni刀x3ix,x(3j) = 1njEx3j x分別是3i,3j類所有樣品的平均值，ni,nj分別是3i、3j類匸交發(fā)表專家一LB 國(guó)學(xué)朮發(fā)叢網(wǎng)中的樣品的個(gè)數(shù)。3聚

13、類算法研究對(duì)基因表達(dá)矩陣的分析，往往是比較矩陣行和列的相似性或差 別，如果發(fā)現(xiàn)兩個(gè)行相似，貝何以推測(cè)它們對(duì)應(yīng)的基因具有協(xié)同調(diào) 節(jié)和功能相關(guān)性。通過(guò)在不同水平的比較，可以發(fā)現(xiàn)哪些基因具有 不同的表達(dá)，并且可以研究不同化合物對(duì)它們的影響。聚類分析的 首要目標(biāo)是將表達(dá)譜相似的基因歸納成類，然后聚焦于那些可能參 與某些生物過(guò)程的基因群，對(duì)這些類進(jìn)行生物學(xué)注釋，同時(shí)獲得新 的生物學(xué)知識(shí)9。聚類分析技術(shù)是目前基因表達(dá)分析研究的主要計(jì)算技術(shù)之一，其 算法的基本出發(fā)點(diǎn)在于根據(jù)對(duì)象間相似度將對(duì)象劃分為不同的類。指將一組樣本按其相互間的相似程度歸入幾個(gè)子類，根本思想是確 定類群,使同一類內(nèi)的各樣本間差異最小，而不

14、同類間的差距最大。(1)層次聚類算法。 層次聚類算法可分為自上而下和自下而上 兩種方向進(jìn)行，根據(jù)不同的方向，層次聚類方法可以分為凝聚的層 次聚類和分裂的層次聚類。自底向上的層次方法是首先將每個(gè)聚類樣本自成一個(gè)類，根據(jù)一 定的類間相似性度量標(biāo)準(zhǔn)計(jì)算兩個(gè)類間的距離。然后反復(fù)地將距離 最近的兩類合并為一類，并重新計(jì)算類間距離，直到達(dá)到某個(gè)終止 條件或只剩一個(gè)類。自上而下的層次方法是首先將所有聚類樣本看成一類，然后按照論文發(fā)表專家一8 國(guó)學(xué)朮發(fā)舌網(wǎng)www,qikanwang.nEt一定的類間相似性度量進(jìn)行不斷分解為越來(lái)越小的聚類， 直到所有 聚類各成一類或滿足某一終止條件。（2）k均值算法。k均值算法

15、把n個(gè)觀察樣本分成k個(gè)類， 必須先指定類數(shù)k和迭代次數(shù)或收斂條件。 開(kāi)始先指定k個(gè)質(zhì)心， 根據(jù)一定的相度性度量將每一個(gè)樣本分配到最接近或”相似”的質(zhì)心，形成一類，從而類內(nèi)的相似性高，類間的相似性低。然后以每 一類的觀察樣本的均值矢量作為這一類的新質(zhì)心，重新分配，反復(fù) 迭代直到類收斂（類的質(zhì)心不變）或達(dá)到最大的迭代次數(shù)。（3） 自組織映射（soms）。自組織映射算法是一種高維可視化的無(wú)監(jiān)督學(xué)習(xí)方法，描述輸入數(shù)據(jù)集的原型矢量也稱作為模型矢量或 權(quán)重矢量，同時(shí)將高維輸入空間連續(xù)映射到低維的網(wǎng)格上。這個(gè)網(wǎng) 格由一定數(shù)目的神經(jīng)元組成。給網(wǎng)格節(jié)點(diǎn)（神經(jīng)元）賦予一定權(quán)重，來(lái)表示類的質(zhì)心，計(jì)算一種距離確定各輸

16、入矢量的匹配節(jié)點(diǎn)，并由輸入矢量調(diào)整匹配節(jié)點(diǎn)及其鄰域的權(quán)重。經(jīng)過(guò)反復(fù)學(xué)習(xí)，模擬矢量 以有序的方式描述數(shù)據(jù)的概率分布。訓(xùn)練好的soms網(wǎng)格節(jié)點(diǎn)上已分配好相應(yīng)的基因表達(dá)譜，節(jié)點(diǎn)的權(quán)重矢量代表相應(yīng)類內(nèi)表達(dá)譜的 平均，且相鄰節(jié)點(diǎn)表示相似的類，類差別越大，其節(jié)點(diǎn)相距越遠(yuǎn)。3.1聚類算法結(jié)果分析3.1.1聚類結(jié)果評(píng)價(jià)不同的聚類算法應(yīng)用于同一個(gè)基因表達(dá)數(shù)據(jù)時(shí)往往得到差別很 大的結(jié)果，怎樣去判定聚類結(jié)果好壞。為了解決這個(gè)問(wèn)題，人們提匸交發(fā)表專家一LB 國(guó)學(xué)朮發(fā)叢網(wǎng)出了好幾種聚類指數(shù)來(lái)評(píng)價(jià)用聚類方法得出的劃分結(jié)果。對(duì)基因表 達(dá)數(shù)據(jù)聚類結(jié)果的評(píng)價(jià)在實(shí)驗(yàn)當(dāng)中是必不可少的，聚類結(jié)果評(píng)價(jià)主 要是指用客觀的定量的方式對(duì)不同

17、的聚類算法在聚類過(guò)程中得到 的結(jié)果進(jìn)行質(zhì)量、可靠性的評(píng)價(jià)。外部確認(rèn)是把實(shí)驗(yàn)得到的聚類結(jié)果與數(shù)據(jù)集的另一種分割的“金 標(biāo)準(zhǔn)”去比較來(lái)評(píng)價(jià)聚類結(jié)果。 因?yàn)橛袀€(gè)已經(jīng)事先分好的“金標(biāo)準(zhǔn)” 作為依據(jù)去比較聚類結(jié)果，所以外部評(píng)價(jià)比較有利于對(duì)數(shù)據(jù)集的聚 類質(zhì)量進(jìn)行獨(dú)立無(wú)偏的評(píng)價(jià)。在基因表達(dá)數(shù)據(jù)聚類分析中，一般采 用rand指數(shù)(rand index)去評(píng)價(jià)聚類結(jié)果與外部“金標(biāo)準(zhǔn)”的一 致性。在基因表達(dá)聚類分析中，rand指數(shù)(rand index)被廣泛用來(lái)評(píng)價(jià) 聚類結(jié)果與外部標(biāo)準(zhǔn)的一致性。設(shè)s與r為一個(gè)數(shù)據(jù)集的兩種獨(dú)立 劃分，若a為s和r中都屬于同一類的個(gè)體對(duì)數(shù)，b為s中屬于同 一類而v中不屬同一類的個(gè)體

18、對(duì)數(shù)，c為r中屬于同一類而s中不 屬于同一類的個(gè)體對(duì)數(shù)，d為s和r中都不屬于同一類的個(gè)體對(duì)數(shù)，則rand指數(shù)定義為(a+d)/(a+b+c+d)。如果兩種劃分的聚類數(shù)不相 同，rand指數(shù)也能很好的檢測(cè)不同劃分的吻合度。rand指數(shù)在01之間，其數(shù)值越大，兩種劃分的一致程度越高。當(dāng)rand指數(shù)為1時(shí)，表示兩種聚類完全相同。3.1.2結(jié)果與分析論文發(fā)表專家一L8 國(guó)學(xué)朮發(fā)叢網(wǎng)由于分析各種聚類算法的實(shí)際效果需要已知類別的基因的表達(dá)數(shù)據(jù)，所以本文選用了酵母孢子化數(shù)據(jù)集（spor）。本文選用在減數(shù) 分裂早期、中期和末期的10個(gè)時(shí)間點(diǎn)測(cè)量了每一條基因mrna轉(zhuǎn)錄 水平變化，并對(duì)比研究了生長(zhǎng)期細(xì)胞ndt8

19、0異常表達(dá)和缺失導(dǎo)致的 基因表達(dá)變化，共得到10個(gè)實(shí)驗(yàn)樣品的表達(dá)。 選取其中分別屬于6個(gè)不重疊功能表達(dá)模式的161條基因表達(dá)譜組成數(shù)據(jù)集（記為spor數(shù)據(jù)集，161X10表達(dá)矩陣），并以這6個(gè)功能類作為外部標(biāo)準(zhǔn)類。在經(jīng)過(guò)以2為底對(duì)數(shù)化預(yù)處理之后，此數(shù)據(jù)集在進(jìn)行聚類結(jié)果分析。如表1所示，該數(shù)據(jù)集經(jīng)過(guò)對(duì)數(shù)化預(yù)處理之后，分別以pearson相關(guān)系數(shù)和歐氏距離作為相似性度量準(zhǔn)則進(jìn)行多種聚類算法得到 的rand指數(shù)。表1不同相似性度量下不同聚類算法的rand指數(shù)聚類方法pears on相關(guān)系數(shù)歐氏距離最短距離法層次聚類0.00800.012 4最長(zhǎng)距離法層次聚類0.395 80.337 7平均距離法層次

20、聚 類0.39770.173 3重心法層次聚類0.415 40.051 1k均俏聚類0.403 20.408 7自組織映射聚類0.404 50.467 4由表1可得到最短距離法的層次聚類的結(jié)果明顯較差于其他三類距離層次聚類。k均個(gè)聚類算法11以歐式麗肉作為相似性征則的 聚類結(jié)果稍好于pears on相關(guān)系數(shù)的聚類結(jié)果。自組織映射聚類中 的以歐式距離作為相似性準(zhǔn)則的聚類結(jié)果明顯更優(yōu)?？傮w而言，對(duì) 兩種不同的相似性準(zhǔn)則的結(jié)果，k均俏聚類和soms聚類結(jié)果顯著論文發(fā)表專家一m國(guó)學(xué)朮發(fā)叢網(wǎng)www,qikan訓(xùn)日優(yōu)于分層聚類，soms聚類結(jié)果稍好于k得到這種結(jié)論的原因有很多種，其中聚類算法本身和相似性度

21、量都存在的問(wèn)題：層次聚類雖然方法簡(jiǎn)單，但有時(shí)在選擇分裂或合并點(diǎn)時(shí)都有困難 存在，因?yàn)橐坏⒁唤M個(gè)體分裂或合并，后續(xù)的類將在新類的基礎(chǔ) 上產(chǎn)生，而不能取消己經(jīng)完成的分裂或合并，也不能在類間對(duì)個(gè)體 進(jìn)行調(diào)整。層次聚類分析不適于基因表達(dá)譜可能相似的復(fù)雜數(shù)據(jù)。在k均借聚艾算法在開(kāi)始疋陵初始化血心確定聚類數(shù)不同的初始化質(zhì)心方法得到不同的聚類結(jié)果，由于有多種初始化k類的可能,故難于選擇最優(yōu)化的結(jié)果。對(duì)有些實(shí)驗(yàn)，無(wú)法確定預(yù)期的類數(shù)， 而且也沒(méi)有很好的方法來(lái)選擇算法應(yīng)該運(yùn)行的確切迭代次數(shù)。此外k均他算法對(duì)噪聲和京用數(shù)據(jù)比較械感，因?yàn)檫@類數(shù)據(jù)口能會(huì)影 響到各個(gè)聚類的均值。自組織映射聚類算法中節(jié)點(diǎn)的初始權(quán)重是隨機(jī)

22、產(chǎn)生的，使得算法 結(jié)果有一定的不確定性。網(wǎng)絡(luò)連接權(quán)的初始狀態(tài)、算法中的參數(shù)選 擇對(duì)網(wǎng)絡(luò)的收斂性能有較大影響。當(dāng)輸入數(shù)據(jù)較少時(shí)，訓(xùn)練的結(jié)果 通常依賴于樣本的輸入順序。本文中應(yīng)用的相似性度量是通過(guò)樣本間的距離確定的。然而數(shù)據(jù) 源中的兩個(gè)對(duì)象實(shí)際中是否相似與這兩個(gè)對(duì)象之間的距離并不是 完全對(duì)應(yīng)的。 對(duì)象間的距離表示的是對(duì)象的相近程度，而相似不僅 依賴于對(duì)象間的相近程度，還依賴于對(duì)象內(nèi)在的性質(zhì)，而距離不能論文發(fā)表專樂(lè)一B 國(guó)學(xué)朮發(fā)丟網(wǎng)反映這樣的特征。3.2聚類算法問(wèn)題分析基于上述層次聚類不適合處理大量復(fù)雜數(shù)據(jù)，k均個(gè)力法屮，必須預(yù)先選擇類數(shù)作為先驗(yàn)值，soms聚類算法對(duì)初始輸入?yún)?shù)的敏 感性和可能達(dá)到

23、局部最小10,相似性度量準(zhǔn)則的局限性等問(wèn)題。 可以做出通過(guò)嘗試一些新的方法來(lái)解決這些問(wèn)題。首先，不能局限 在傳統(tǒng)的聚類方法中，可以采用一些改進(jìn)算法，如模糊k均俏算法，通過(guò)soms算法對(duì)基因表達(dá)數(shù)據(jù)進(jìn)行聚類，再用層次聚類將每個(gè) 類對(duì)應(yīng)的神經(jīng)元權(quán)值二次聚類等新的算法， 都在一定程度上克服原 有的缺陷提高了基因聚類的效能。其次，需提出一種更確切的反映 對(duì)象相似的計(jì)算方法，并且要求簡(jiǎn)單易行。在某些情況下，如果兩 個(gè)屬性的比例來(lái)代替距離表示對(duì)象的相似性，將更準(zhǔn)確地反映事物 間的相似程度。圖1是包含一個(gè)數(shù)據(jù)集中4個(gè)基因在5個(gè)屬性上的 表達(dá)值。圖1模式相似性示意圖可以看出，圖1中任何兩個(gè)基因的距離都 比較遠(yuǎn)

24、，如果用基于距離的聚類算法不可能把4條基因聚類在同一類中，但實(shí)際上，這4個(gè)模式表現(xiàn)出的是一種非常近似的“平行” 模式。在這種情況下，兩個(gè)屬性的比例將更準(zhǔn)確地反映事物間的相 似程度。利用距離定義的相似度，當(dāng)兩個(gè)對(duì)象越接近，即距離越接 近于0,相似度越大。而基于比例的相似度定義中，比例越接近于1,二者的相似度越大。論文發(fā)表專家一m國(guó)手朮友叢網(wǎng)4結(jié)語(yǔ)綜上所述，基因表達(dá)數(shù)據(jù)分析研究的主要技術(shù)是聚類分析。而在 進(jìn)行聚類算法分析數(shù)據(jù)時(shí)，作為聚類參數(shù)的相似性度量準(zhǔn)則的選 擇，是對(duì)獲得聚類結(jié)果評(píng)價(jià)的一個(gè)重要的因素。在聚類分析中主要 采用pears on相關(guān)系數(shù)和歐式距離作為相似性度量準(zhǔn)則。 本文采用 預(yù)處理過(guò)

25、的基因表達(dá)數(shù)據(jù)集試驗(yàn)結(jié)果顯示相似度的選擇對(duì)結(jié)果影 響顯著，不同的聚類算法需要選擇不同的相似性度量準(zhǔn)則才能獲得更有效的聚類結(jié)果。針對(duì)距離作為相似性度量準(zhǔn)則的局限，提出一 種精確的相似性計(jì)算方法：基于比例的模式相似性度量。從模式相 似性的角度聚類生物數(shù)據(jù)，逐漸成為近年來(lái)數(shù)據(jù)挖掘在生物信息中 的研究焦點(diǎn)。參考文獻(xiàn)1brahma a, vilo j. gene expression data analysisj.febs letters, 2000, 480(1): 172jiang d, tang c, zhang a. clusteranalysis for gene expressi on data j. ieee tra nsacti ons on kno wledgeanddata engin eeri ng, 2004, 16(11): 13703amir b,friedman n,yakhini z. class