基于SOM基因聚类的基因数据组织样本聚类

摘要

随着DNA芯片技术的广泛应用,基因表达数据分析已成为生命科学的研究热点.样本聚类分析能根据基因表达谱的相似程度把样本归纳成类,有助于对未知功能的基因进行研究,是目前各种基因表达分析研究的重要基础.但由于基因微阵列是只有少量样本的高维基因数组,传统聚类方法进行组织样本聚类受到大量无关基因的干扰.本文提出一种基于基因聚类进行样本聚类的方法.先提出一种基于环状结构自组织图(SOM)的基因聚类方法,由于基因类在SOM输出层的位置能反映基因类之间的相似程度,这样就得到了基因间关系的一些有用信息.根据这些信息作者利用敏感程度来进行特征基因选择,从而达到降维的目的.最后在只有特征基因组成的低维空间中对样本聚类.本文的新算法深入挖掘基因信息,在增加对基因认识的基础上对样本聚类,明显优于传统样本聚类方法.利用真实微阵列数据进行的实验证明了新算法的可行性和高效性.在此基础上,本文深入研究脉冲耦合神经网络,并把它应用于组织样本聚类,脉冲耦合神经网络具有高度的并行性,能够快速准确的取得聚类结果.实验证实了算法的有效性.

目录

文摘

英文文摘

创新性声明和关于论文使用授权的说明

第一章绪论

1.1微阵列与基因表达研究概况

1.2基因表达聚类分析技术的现状

1.3脉冲耦合神经网络简介

1.4本文工作与结构

第二章基于自组织神经网络的聚类

2.1聚类分析的概念及任务

2.1.1聚类分析的基本思想

2.1.2方法的有效性

2.2传统聚类算法介绍

2.2.1聚类的技术方案

2.2.2 C-均值算法(C-means算法)

2.2.3模糊C-均值法

2.2.4分级聚类法(Hierarchical Clustering Method)

2.3基于自组织神经网络的聚类算法

2.3.1自组织神经网络结构

2.3.2 SOM网络的工作原理

2.3.3自组织神经网络的聚类算法

2.3.3自组织神经网络聚类算法的参数说明

2.4本章小结

第三章基于SOM神经网络的基因聚类算法

3.1基因芯片原理

3.2基因数据处理基本任务和方法

3.2.1基因芯片的信息预处理

3.2.2基因芯片的数据挖掘

3.3基于SOM基因聚类的组织样本聚类基本思想

3.4基于SOM的特征基因选择

3.4.1特征基因选取的基本任务

3.4.2 SOM模型改进

3.4.3敏感强度及特征基因选取原则

3.5实验与结果

3.5.1特征基因选择的过程

3.5.2实验结果

3.6本章小结

第四章基因组织样本聚类的PCNN方法

4.1脉冲耦合神经网络的工作原理

4.1.1脉冲耦合神经网络基本模型及简化

4.1.2无耦合链接的情况下的PCNN运行行为

4.1.3耦合链接的情况下的PCNN运行行为

4.1.4脉冲耦合神经网络的基本特性分析

4.2基于PCNN的聚类算法

4.3实验与结果

4.4本章小结

第五章结论

致谢

参考文献

研究成果