单基因扰动的自适应灰关联聚类算法

摘要

随着人类基因组计划的完成，对基因功能的揭示成为后基因组时代的研究热点。而基因调控网络的研究正是从全局的变化中探索基因功能，研究基因之间的相互调控表达关系。 研究基因调控网络的方法一般包括计算机方法和生物学方法。计算机方法包括聚类分析建立模型和通过“逆向工程”方法推断基因调控网络。其中聚类方法使用广泛，且已有方法较多，通过聚类找出具有相似功能，表达模式也相似的基因集合，这是研究基因调控网络的有效的重要得方法之一。 生物学方法一般使用基因扰动实验，它通过操纵一个基因或其产物来控制基因活动，从中获得基因相互调控关系的信息，从而重构基因调控网络。由于生命组织的基因组规模巨大，而单个基因扰动一般需要1-3个月，且花费高昂，因此单基因扰动实验的对象一般为局部组织。单基因扰动实验采取全基因扰动方法，即每个参与实验的基因都进行一次扰动，一旦选取的实验基因数量过大，而其中存在一些对于构建基因调控网络没有太大影响的基因，就会造成实验成本的不必要上升和实验周期的无端增加。因此，甄别这些不必要基因成为降低实验成本、缩短试验周期的关键。 本文在灰关联聚类方法的基础上提出了自适应参数灰关联聚类算法，将其与单基因扰动实验相结合，计算实验证明，该方法能有效减少不必要的扰动实验，在基本不影响基因调控网络构建的前提下，减少实验成本和缩短实验周期。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题背景

1.2基因调控网络基本概念

1.3国内外研究现状

1.3.1基因调控网络研究现状和意义

1.3.2生物数据聚类方法研究现状

1.4课题任务及主要研究内容

1.5论文结构

第二章APGRCM相关方法概述

2.1基因调控网络研究方法

2.1.1基因调控网络研究方法概述

2.1.2 APGRCM算法的提出及基本思路

2.2聚类方法介绍及比较

2.2.1常用聚类算法概述

2.2.2灰关联聚类算法介绍

2.3序列比对算法介绍

2.3.1序列比对算法概述

2.3.2序列比对算法分类

2.4小结

第三章自适应灰关联聚类算法(APGRCM)

3.1 APGRCM算法介绍

3.1.1 APGRCM算法流程

3.1.2数据标准化方法概述

3.1.3自适应参数的灰关联聚类算法

3.2 APGRCM算法各部分介绍

3.3小结

第四章APGRCM的实验分析

4.1原始数据描述

4.2 APGRCM在生物数据上的应用

4.3 APGRCM算法在其他数据集上的应用及结果分析

4.4小结

第五章总结与展望

5.1总结

5.2展望

致谢

参考文献

导师及作者介绍