對于系統(tǒng)發(fā)育譜法聚類算法的改進.pdf

1、隨著高效、自動化的測序技術(shù)的出現(xiàn)，生物信息學(xué)的中心課題，已經(jīng)從對基因的測序，轉(zhuǎn)移至對已測序基因的分析，主要是對基因功能的研究及注釋。由于同源性方法的自身缺陷問題及精度問題，人們開始逐漸重視非同源性方法。非同源性方法主要是通過序列的屬性對歸類，進而進行功能預(yù)測。系統(tǒng)發(fā)育譜法在眾多非同源性方法應(yīng)用中應(yīng)用最為廣泛。
　　系統(tǒng)發(fā)育譜法于1999年由Pellegrini提出，隨后眾多學(xué)者從基因參照組選擇、系統(tǒng)發(fā)育譜構(gòu)建、譜相似性分析這三方面

2、對其改進。本文在這些基礎(chǔ)之上，先構(gòu)建基于權(quán)重的系統(tǒng)發(fā)育譜，之后交替使用層次聚類法與K均值聚類法進行相似性分析。在譜相似性分析階段，提出兩點改進:一是提出一種新的距離，用于層次聚類法的聚類階段。二是從層次聚類法中提取更多信息，為K均值聚類法提供初始信息，更充分的利用層次聚類法的結(jié)果，使得K均值聚類法的結(jié)果更準(zhǔn)確。
　　目前在聚類算法中，主要應(yīng)用的是歐式距離。因為所處理的樣本大都屬于歐式空間，所以采用歐式距離聚類可以得到不錯的效果。本

3、文所采用的距離，是一種非歐空間距離。相比歐式距離，它強化了已知信息對樣本距離的影響。它不僅考慮樣本之間的距離，還考量了樣本與參照系樣本的距離。使用這種新的距離，可以使人們優(yōu)先處理與已知參照系相近的樣本。
　　K均值聚類法的缺陷在于初始條件選取的敏感性:初始聚類數(shù)K與初始聚類目標(biāo)的選取，會對最后的聚類結(jié)果產(chǎn)生很大影響。目前對K均值算法的改進主要在初始信息的選取上。前人采用層次聚類與K均值聚類結(jié)合使用的方法，目的是利用層次法為K均值聚