基因表達缺失數(shù)據(jù)填充算法研究.pdf

1、DNA微陣列技術使人們可以同時觀測成千上萬個基因的表達水平，對其數(shù)據(jù)的分析已成為生物信息學研究的焦點。但是，在基因表達數(shù)據(jù)產(chǎn)生過程中存在一些因素導致獲得的數(shù)據(jù)中包含有大量的缺失值，為后續(xù)的數(shù)據(jù)分析工作帶來了極大的困難，甚至使分析結果出現(xiàn)嚴重錯誤。因此，基因表達缺失數(shù)據(jù)的填充是生物數(shù)據(jù)挖掘過程中的重要預處理步驟，也是研究重點之一。 基于K個最近鄰居的填充算法是基因表達數(shù)據(jù)中經(jīng)典的缺失值填充算法。但算法沒有考慮基因表達數(shù)據(jù)間的相關性

2、，本文提出一種基于馬氏距離的缺失值填充算法。該算法使用考慮了數(shù)據(jù)間相關性的馬氏距離選擇鄰居基因，并利用Shannon信息熵確定更為合理的鄰居基因權重系數(shù)，有效地提高了對缺失數(shù)據(jù)的填充準確度。 模糊C-均值算法是聚類分析中廣泛使用的聚類方法，在基因表達數(shù)據(jù)分析中也有較多的應用。本文利用模糊C-均值算法能很好地處理數(shù)據(jù)間的重疊性和相關性的特點，將它應用到基因表達數(shù)據(jù)的缺失問題處理中，提出了基于模糊C-均值的填充算法。算法針對不同的數(shù)

3、據(jù)集，給出了動態(tài)確定聚類參數(shù)的方法，然后對經(jīng)過初始填充的非完整基因表達數(shù)據(jù)進行聚類分析，利用聚類結果對缺失數(shù)據(jù)進行估計和填充。該算法自適應地確定聚類參數(shù)，增強了聚類的有效性，從而提高了填充結果的正確率。 模糊C-均值算法受初始條件影響較大，在迭代過程中容易陷入局部極小。因此，論文在上述算法的基礎上，利用迭代局部搜索策略來解決局部最優(yōu)問題，并且使用新的聚類有效性指標優(yōu)化聚類結果，較大程度上改善了聚類結果，提高了缺失值估計的準確度。