基于阿尔茨海默病的基因表达数据改进的聚类方法

摘要

阿尔茨海默病以其高发病率和无法治愈的特点成为老年人的第四大“健康杀手”。迄今为止，尚不明确阿尔茨海默病的发病机理。随着基因芯片技术的发展，基因表达数据的聚类分析方法应用到阿尔茨海默疾病的研究中。
　　为了挖掘阿尔茨海默病的生物信息，本文提出了一种改进的聚类算法。通过实验分析，得到了阿尔茨海默病基因表达数据的特征。当数据呈现出线性相关的特征时，对高维数据进行降维处理并判断聚类趋势，得到数据具有明显的聚类趋势，然后选择用聚类的方法挖掘基因表达数据的潜在信息。但是传统的聚类方法需要事先确定出分类个数，而主观的参数选取难以将大量的数据准确地进行聚类，而且这个参数的选取直接影响了实验数据的分类结果，使得聚类效果缺乏客观性。
　　因此，本文提出了将曲率最大处作为分类判据的无监督聚类方法，并且给出了分类判据δ。在基于拟合方法的基础上，找出四种不同患病程度下聚类的阈值和聚类结果。最后得出本文的聚类效果优于其他聚类方法的效果。同时实验结果表明，这种改进的聚类方法较优，并且简捷、具有可行性。

目录

声明

摘要

插图和附表清单

1 绪论

1．1 研究背景

1．2 研究现状

1．3 本文研究的目的和意义

1．4 本文的主要工作

1．5 本章小结

2 预备知识

2．1 主成分分析方法

2．2 平面曲线的曲率

2．3 最小二乘估计

2．4 霍普金斯统计量

2．5 聚类介绍

2．6 轮廓系数

2．7 本章小结

3 数据的来源及其特征探究

3．1 数据来源

3．2 特征1：线性相关性

3．3 特征2：类簇性

3．4 本章小结

4 改进的聚类算法

4．1 算法描述

4．2 阈值的选取——曲率最大点

4．3 本章小结

5 实验与结果

5．1 阈值的选取与对比

5．2 聚类质量的评估

5．3 本章小结

6 结论

参考文献

附录

致谢

在校期间发表的科研成果