摘要: 基因表达水平是衡量基因功能活动的重要指标。基因表达的信息是理解基因功能和基因调控的潜在机制的一个重要线索。基因芯片（微阵列）具有在单一的实验中并行地检测任何细胞或组织类型中成千上万个基因的表达水平的能力，已经成为生物学和医学研究领... 展开 基因表达水平是衡量基因功能活动的重要指标。基因表达的信息是理解基因功能和基因调控的潜在机制的一个重要线索。基因芯片（微阵列）具有在单一的实验中并行地检测任何细胞或组织类型中成千上万个基因的表达水平的能力，已经成为生物学和医学研究领域中常用的技术。随着微阵列的成熟和大量使用，产生了大量的基因表达数据。基因表达数据不同于常见的科研数据，有其独特的特点：小样本、超高维、高噪音、变异性、基因间高冗余和高度关联、基因的知识不精确和不完全。这些特点使得对基因表达数据的分析和处理成为生物信息学领域中的一个重要挑战之一。本文针对基因表达数据的分析和处理技术进行了研究，主要研究成果如下： 由于多种原因，基因表达数据（微阵列数据）中经常出现缺失值，对缺失数据的处理是基因表达数据处理和分析中的一个重要的步骤。本文提出一个基于偏最小二乘方法的缺失数据估计方法，并且针对应用偏最小二乘方法是为了预测缺失数据这唯一目的，提出了一个快速的缺失数据估计算法。由于偏最小二乘方法有两个显著的优点：一对变量和样本的数目没有限制，二可以有效地减少相似基因间的多重相关性对预测能力的负面影响，本文所提出的方法适合处理微阵列数据。实验结果表明所提出的方法是一个有效的稳健的缺失数据估计方法。 在基因表达数据分析中，鉴别基因是后续研究中非常重要的信息基因，有很多研究致力于从基因表达数据中选出信息基因这一挑战性工作。然而这些方法都没有考虑不同样本类别中样本大小的不平衡性问题。考虑样本不平衡性和基因选择方法的稳定性，提出两个全新的与数据分布模型无关的基因选择方法。在类内变化小和类间差别大的策略下，选择敏感的度量函数提高方法的鉴别能力；同时，利用类内变化和类间差别的一致性来增加方法的稳定性和适用性。这一方法不但可以应用于两个类别的情况，也可以应用于多个类别的情况。最后，使用两组真实的基因表达数据对所提出的方法进行了验证。实验结果表明，这一方法比其他方法具有更高的有效性和稳健性。 精确可靠的样本分类是基因表达数据分析中的一个重要问题。利用支持向量机方法在解决小样本、非线性、高维模式识别问题中的优势，同时利用树型结构的层次关系克服支持向量机方法本身没有生物学意义的缺陷，本文提出了基于类别树和支持向量机的多类分类算法，完全不同于单独考虑每个类的方法。这一方法考虑类别样本间的相互关系，充分利用类别标签这一先验知识构建一棵样本类别树，然后沿着树进行基因选择。最后由类别树和选出的基因训练基于支持向量机的分类器。我们的算法要处理的样本少，时间复杂性低，分类精度更高，选出的基因子集具有更好的针对性，结合树的层次关系，提供了更强的生物学意义。本文提出的算法用一个公共可得到的真实数据集进行了测试，结果表明分类能力优于先前证实表现最好的OVA方法。 识别差异表达基因是基因表达数据分析中的一个核心问题，很多研究人员提出了多个差异表达基因的识别方法，然而没有一个方法考虑了样本不平衡问题，也没有研究和数量化的方法来调查样本不平衡对差异表达基因检测的影响。事实上，样本不平衡经常出现在基因表达数据中。本文提出一个新颖的问题，即样本不平衡对识别差异表达基因的影响。本文给出两个基于统计抽样的评价模型来研究这一问题，并且在真实数据和模拟数据上比较六个典型的方法性能。研究结果表明，随着不平衡程度的增加，差异表达基因的识别效果越来越差，并且不同的方法受样本不平衡的影响的差异程度很大，差异表达基因的研究中有必要考虑样本不平衡问题。所提出的评价模型和研究结果可以用来帮助设计微阵列实验，也可以用来选择合适的方法来处理样本不平衡的数据。 样本个体中生物学和遗传学的变异性会影响基因的表达水平，进而导致这个基因在样本中不稳定的表达。这种表达不稳定的基因是探索潜在的生物学奥秘和癌症起因的重要线索。本文提出一个新颖的问题，即通过集成分析来自相同研究问题的不同数据集来识别表达不稳定的基因。我们把这一问题形式化为一个非线性整数（0-1）规划问题，优化目标是最大化所构造的多维目标函数，其优化解是一个多维二元向量，其中每个维度对应于一个特定的基因。三个近似的算法被提出来求解这一非线性整数优化问题，进一步地我们设计了一个统计量来度量和排列所识别的基因的不稳定表达的程度。本文提出的方法应用于不同研究小组产生的两个真实数据，实验的结果显示：所识别的不稳定基因在两个数据中的表达的确不一致，并且可以用来提高差异表达基因的筛选结果，利用（排除）所识别的表达不稳定基因可以有效地提高一个数据对另一个数据的预测精度。 收起