張燕 盧倩楠

摘 要：取合適基因表達芯片數(shù)據(jù)庫，預(yù)處理后，去掉殘缺、異質(zhì)數(shù)據(jù)，采用數(shù)據(jù)挖掘技術(shù)，進行序列分析、結(jié)構(gòu)預(yù)測及進化分析等?？蓱?yīng)用于生物學(xué)和腫瘤學(xué)的研究，觀察疾病所引起的基因表達變化，找出作用重要的治病基因，揭示生命現(xiàn)象的本質(zhì)。

關(guān)鍵詞：基因表達芯片;數(shù)據(jù)挖掘;生物學(xué)

一、背景

在TCGA、GEO等基因表達數(shù)據(jù)庫中選擇合適的基因表達芯片數(shù)據(jù)[1]，做去殘缺、異質(zhì)數(shù)據(jù)處理后采用數(shù)據(jù)挖掘方法應(yīng)用到基因表達芯片數(shù)據(jù)中，從不同角度對數(shù)據(jù)進行挖掘，并結(jié)合以建立表示基因之間相互影響的模型，進行序列分、結(jié)構(gòu)預(yù)測和進化分析。

立足基因，主要研究從基因表達芯片數(shù)據(jù)中提取有效的數(shù)據(jù)，從而可以更好地解決海量生物信息數(shù)據(jù)的存儲、處理、計算和分析等問題。通過準(zhǔn)確對基因表達芯片數(shù)據(jù)進行測序分析并預(yù)測，及時應(yīng)用到白血病、乳腺癌等疾病的臨床診斷中，可使得該技術(shù)及早造福社會，帶來經(jīng)濟效益。

基因表達芯片數(shù)據(jù)有形形色色的數(shù)據(jù)庫，其中有些數(shù)據(jù)庫更新速度慢，本項目旨在研究最新發(fā)現(xiàn)的有代表性的數(shù)據(jù)，構(gòu)建網(wǎng)絡(luò)模型，可廣泛應(yīng)用于生物學(xué)和腫瘤學(xué)的研究，觀察疾病所引起的基因表達變化，并找出作用重要的治病基因，對揭示生命現(xiàn)象的本質(zhì)有重要意義。

二、基因表達芯片的特點

1.數(shù)據(jù)的高維性。在生物信息學(xué)領(lǐng)域，基因表達芯片技術(shù)的進步已經(jīng)產(chǎn)生了涉及數(shù)千特征的基因表達數(shù)據(jù)。具有時間分量或空間分量的數(shù)據(jù)集也通常具有很高的維度。例如，考慮包含不同地區(qū)的溫度測量結(jié)果的數(shù)據(jù)集，如果在一個相當(dāng)長的時間周期內(nèi)反復(fù)地測量，則維數(shù)（特征數(shù)）的增長正比于測量的次數(shù)。為低維數(shù)據(jù)開發(fā)的傳統(tǒng)數(shù)據(jù)分析技術(shù)通常不能很好地處理這類高維數(shù)據(jù)，如維災(zāi)難問題。此外，對于某些數(shù)據(jù)分析算法，隨著維數(shù)（特征數(shù)）的增加，計算復(fù)雜度會迅速增加。

2.采用算法的可伸縮性。由于數(shù)據(jù)產(chǎn)生和采集技術(shù)的進步，數(shù)太字節(jié)（TB）、數(shù)拍字節(jié)（PB）甚至數(shù)艾字節(jié)（EB）的數(shù)據(jù)集越來越普遍。如果數(shù)據(jù)挖掘算法要處理這些海量數(shù)據(jù)集，則算法必須是可伸縮的。許多數(shù)據(jù)挖掘算法采用特殊的搜索策略來處理指數(shù)級的搜索問題。為實現(xiàn)可伸縮可能還需要實現(xiàn)新的數(shù)據(jù)結(jié)構(gòu)，才能以有效的方式訪問每個記錄。

3.處理異構(gòu)數(shù)據(jù)和復(fù)雜數(shù)據(jù)的迫切性。通常，傳統(tǒng)的數(shù)據(jù)分析方法只處理包含相同類型屬性的數(shù)據(jù)集，或者是連續(xù)的，或者是分類的。隨著數(shù)據(jù)挖掘在生物信息學(xué)、醫(yī)學(xué)和腫瘤學(xué)領(lǐng)域的作用越來越大，越來越需要能夠處理異構(gòu)屬性的技術(shù)。近年來，出現(xiàn)了更復(fù)雜的數(shù)據(jù)對象，如具有序列和三維結(jié)構(gòu)的DNA數(shù)據(jù)，這些數(shù)據(jù)迫切需要處理。

三、常用數(shù)據(jù)挖掘方法

1.決策樹法。決策樹是通過一系列的規(guī)則對數(shù)據(jù)進行分類的過程。它提供了一種在給定條件下會得到給定的值的類似規(guī)則的方法，并著眼于從一組無次序無規(guī)則的事例中推理出使用決策樹表示形式的分類規(guī)則，它通常用來形成分類器和預(yù)測模型，并可以對未知數(shù)據(jù)進行分類、預(yù)測等。它是以自頂向下的遞歸方式，使決策樹的內(nèi)部結(jié)點進行屬性值的比較，根據(jù)不同的屬性值從根結(jié)點向下分支，葉結(jié)點表示的是要學(xué)習(xí)劃分的類，從根結(jié)點到葉結(jié)點的一條路徑就可以看成是一條分類規(guī)則，而整個決策樹就對應(yīng)著一組吸取表達式規(guī)則。決策樹的分類方法首先要利用訓(xùn)練數(shù)據(jù)集建立起決策樹的模型，并根據(jù)該模型進行輸入數(shù)據(jù)的分類。其中的關(guān)鍵問題是決策樹的構(gòu)建過程，這包括建樹（Tree Building）和剪枝（Tree Pruning）。其中建樹是通過遞歸過程，最終得到一棵決策樹;剪枝則是為了降低噪聲數(shù)據(jù)對分類正確率的影響。本研究應(yīng)用決策樹的建樹算法來確定各結(jié)點的順序。

決策樹方法廣泛應(yīng)用在分類、預(yù)測和規(guī)則提取等領(lǐng)域中，尤其Quinlan JR 提出經(jīng)典ID3算法以后，決策樹進一步應(yīng)用在機器學(xué)習(xí)、知識發(fā)現(xiàn)領(lǐng)域并得到了巨大的發(fā)展。ID3算法是一種以信息熵為基礎(chǔ)的決策樹學(xué)習(xí)算法，它是決策樹方法的代表，目前大部分的決策樹算法都是在它的基礎(chǔ)上加以改進實現(xiàn)的。ID3算法把Shannon信息論應(yīng)用到了決策樹算法中，并采用分治策略，使得在決策樹的各級結(jié)點上選擇屬性時檢測所有的屬性，并選擇信息增益最大的屬性作為決策樹的結(jié)點，由該屬性的不同取值建立幾個分支，再對分支的子集遞歸調(diào)用這種方法建立決策樹結(jié)點的分支，如此反復(fù)一直持續(xù)到所有子集僅包含同一類別的數(shù)據(jù)為止。最后得到一棵決策樹，這棵決策樹可以對新的樣本進行分類。ID3由于其理論比較清晰、方法簡單且學(xué)習(xí)能力較強，很適合于處理大規(guī)模的學(xué)習(xí)問題，是數(shù)據(jù)挖掘和機器學(xué)習(xí)領(lǐng)域中的一個較好的范例，同時也是一種知識獲取的有力工具。

Quinlan針對ID3存在的一些缺點提出了C4.5算法，它是ID3算法的繼承，同時也成為后來許多決策樹算法的基礎(chǔ)。在ID3的基礎(chǔ)上，C4.5算法融入了對連續(xù)型屬性、屬性值空缺的處理，并對樹剪枝有了比較良好的方法。C4.5使用基于信息增益率來選擇測試屬性，（信息增益率等于信息增益對分割信息量的比值）。

2.神經(jīng)網(wǎng)絡(luò)法。神經(jīng)網(wǎng)絡(luò)法是模擬生物神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，是一種通過訓(xùn)練來學(xué)習(xí)的非線性預(yù)測模型，它將每一個連接看做一個處理單元，試圖模擬人腦神經(jīng)元的功能，可完成分類、聚類、特征挖掘等多種數(shù)據(jù)挖掘任務(wù)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法主要表現(xiàn)在權(quán)值的修改上。其優(yōu)點是具有抗干擾、非線性學(xué)習(xí)、聯(lián)想記憶功能，對復(fù)雜情況能得到精確的預(yù)測結(jié)果;缺點首先是不適合處理高維變量，不能觀察中間的學(xué)習(xí)過程，具有“黑箱”性，輸出結(jié)果也難以解釋;其次是需要較長的學(xué)習(xí)時間。神經(jīng)網(wǎng)絡(luò)法主要應(yīng)用于數(shù)據(jù)挖掘的聚類技術(shù)中。

3.遺傳算法。遺傳算法模擬了自然選擇和遺傳中發(fā)生的繁殖、交配和基因突變現(xiàn)象，是一種采用遺傳結(jié)合、遺傳交叉變異及自然選擇等操作來生成實現(xiàn)規(guī)則的、基于進化理論的機器學(xué)習(xí)方法。它的基本觀點是“適者生存”原理，具有隱含并行性、易于和其他模型結(jié)合等性質(zhì)。主要的優(yōu)點是可以處理許多數(shù)據(jù)類型，同時可以并行處理各種數(shù)據(jù);缺點是需要的參數(shù)太多，編碼困難，一般計算量比較大。遺傳算法常用于優(yōu)化神經(jīng)元網(wǎng)絡(luò)，能夠解決其他技術(shù)難以解決的問題。

4.數(shù)據(jù)離散化方法

數(shù)據(jù)的離散化過程，是指將一個連續(xù)的屬性劃分成為若干個屬性值區(qū)間后并使用一個離散型數(shù)值代表每一區(qū)間的過程。根據(jù)貝葉斯網(wǎng)絡(luò)的數(shù)學(xué)原理要求可知，使用連續(xù)變量構(gòu)建起來的貝葉斯網(wǎng)絡(luò)沒有使用離散變量構(gòu)建的準(zhǔn)確性高。所以在建模之前一定要將待分析數(shù)據(jù)離散化。數(shù)據(jù)離散化的方法在機器學(xué)習(xí)中起了非常重要的作用。和連續(xù)型數(shù)據(jù)比較，離散的數(shù)據(jù)準(zhǔn)確性高、更強的抗數(shù)據(jù)噪聲的能力和更小的存儲空間需求;更接近知識表達層次，更容易被理解、解釋、應(yīng)用;從離散數(shù)據(jù)中學(xué)得的知識形式更為簡潔;相比于連續(xù)型數(shù)據(jù)，離散數(shù)據(jù)可在更廣泛的領(lǐng)域中使用，比如關(guān)聯(lián)規(guī)則、粗糙集分析、支持向量機等的機器學(xué)習(xí)方法，只能處理離散數(shù)據(jù)。貝葉斯網(wǎng)絡(luò)支持離散型數(shù)據(jù)和連續(xù)型數(shù)據(jù)，只是由于連續(xù)型數(shù)據(jù)的實際意義往往無法明確，而數(shù)據(jù)離散化可明顯提高網(wǎng)絡(luò)學(xué)習(xí)精度。數(shù)據(jù)離散化方法很多，基因表達芯片數(shù)據(jù)中經(jīng)常使用的離散化方法有固定值法、Z值法等等。

5.構(gòu)建等價類法。如果不同的有向無環(huán)圖表示了相同的聯(lián)合概率分布，可以稱這些有向無環(huán)圖構(gòu)成了貝葉斯等價類。如果將有向無環(huán)圖中的有向弧視為無向弧，則這些圖有完全相同的網(wǎng)絡(luò)結(jié)構(gòu)。

定義：馬爾科夫等價：不同的網(wǎng)絡(luò)之間存在等價關(guān)系，等價的網(wǎng)絡(luò)表示的聯(lián)合概率分布相同，這樣的等價關(guān)系稱為馬爾科夫等價。

參考文獻：

[1] Lu Yue， Qi Yao， Li Li， et al. Gene Expression of PSORI-CM01 and Yinxieling in the Treatment of Psoriasis Vulgaris[J]. Evidence-Based Complementary and Alternative Medicine， 2021.