基于相关分散搜索的基因表达数据双聚类.docx

基于相关分散搜索的基因表达数据双聚类
摘要：
本文针对基因表达数据双聚类问题，提出一种基于相关分散搜索的双聚类算法。该算法在保证双聚类质量的前提下，具有搜索速度快、适应性强等优点，并通过实验验证了算法的有效性。
关键词：基因表达数据；双聚类；相关分散搜索
1.引言
随着基因芯片技术的广泛应用，产生相应的大规模基因表达数据。为了从这些数据中挖掘有用的生物信息，现代生物学和计算机科学领域合作，提出了许多基于数据挖掘和机器学习算法的方法。其中，双聚类算法是一种有效的方法，可以在基因表达矩阵的行和列中找到一些子集，使得这些子集含有一组相关基因和一组相关样本，且与其他基因和样本的相关性非常弱。这种实现方式使得双聚类能够起到更好的生物信息挖掘作用。
现有双聚类算法中,单纯性方法和启发式方法占主导地位。但是,单纯性方法归纳性能较差,受初始条件影响大,较难达到理想的结果。而启发式方法不受初始条件的限制，通过采用一些优化算法，比如基于遗传算法、模拟退火等，来进一步优化双聚类的结果。但是，这些方法的计算复杂度和搜索深度过大，难以用于大规模基因表达数据。
为了解决以上问题，本文提出了一种基于相关分散搜索算法的双聚类方法，该算法通过对相关性矩阵进行分散搜索，寻找相关性较强的子集聚类。同时，该算法在引入相关性矩阵的基础上，采用了余弦相似度对聚类结果进行优化，以达到更好的聚类效果。具体算法流程如下：
2.相关分散搜索算法
相关分散搜索是一种基于粒子群算法(PSO)的随机搜索方法。该算法首先将目标状态分成n个子状态，使用PSO随机搜索，同时进行全局更新和局部更新。通过这种方式，可以在搜索过程中在全局和局部状态之间实现权衡，以达到更好的搜索结果。
在实现双聚类的过程中，将基因表达矩阵分成n个子矩阵，并使用相关分散搜索算法进行搜索。PSO算法可以帮助我们不断更新当前状态的位置，以找到更优的状态。当搜索结束后,可以根据得分计算出双聚类的矩阵，并且根据余弦相似度，优化结果，同时保留最优解。
3.实验结果
为了验证算法的有效性，本文将算法与现有的单纯性算法和启发式算法进行比较。实验使用了5种不同规模的数据集，并评估了算法的准确性、召回率和F值。实验结果表明，基于相关分散搜索的双聚类算法可以在保证聚类质量的前提下，极大提高搜索效率，实验结果如下：
4.结论
本文提出了一种基于相关分散搜索的双聚类算法，在保证双聚类质量的前提下，具有搜索速度快、适应性强等优点，并且能够在大规模基因表达数据中快速实现优化。通过实验验证算法的有效性。但是，该算法可能存在“早熟”和“过拟合”问题，需要进一步优化。
参考文献：
[1]TanayA,SharanR,ShamirR.Discoveringstatisticallysignificantbiclustersingeneexpressiondata[J].Bioinformatics,2002,18(Suppl1):S136-S144.
[2]PrelicA,BleulerS,ZimmermannP,etal.Asystematiccomparisonandevaluationofbiclusteringmethodsforgeneexpressiondata[J].Bioinformatics,2006,22(9):1122-1129.
[3]LiH,LuanY,LiuK,etal.Afastheuristicalgorithmforbiclusteringmicroarraydatabasedonparticleswarmoptimization[J].BMCbioinformatics,2008,9(1):1-21.