一種基于雙階遺傳計(jì)算的基因表達(dá)數(shù)據(jù)的雙聚類算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及數(shù)據(jù)挖掘處理領(lǐng)域，特別涉及一種基于雙階遺傳計(jì)算的基因表達(dá)數(shù)據(jù) 的雙聚類算法。
【背景技術(shù)】
[0002] DNA微陣列技術(shù)的出現(xiàn)和發(fā)展使得人們可以同時(shí)檢測(cè)數(shù)以千計(jì)的基因并測(cè)量其轉(zhuǎn) 錄mRNA的表達(dá)水平。通過在多個(gè)實(shí)驗(yàn)條件（如不同的實(shí)驗(yàn)環(huán)境，不同的時(shí)間點(diǎn)，不同的組 織樣本）下反復(fù)地實(shí)驗(yàn)，可以搜集到上百個(gè)實(shí)驗(yàn)的基因表達(dá)數(shù)據(jù)。基因表達(dá)數(shù)據(jù)矩陣的 行代表一個(gè)基因在不同環(huán)境條件下或不同時(shí)間點(diǎn)的表達(dá)，列代表不同條件或樣本下（如組 織、實(shí)驗(yàn)條件、處理因素等）所有基因的表達(dá)情況，矩陣中的數(shù)據(jù)表示特定的基因在特定的 樣本中的表達(dá)水平。從獲取基因表達(dá)數(shù)據(jù)的具體過程來分析，可以得出基因表達(dá)數(shù)據(jù)有 (1)數(shù)據(jù)量巨大；(2)高維性；（3)高噪聲；(4)高冗余等特點(diǎn)，這對(duì)數(shù)據(jù)分析算法的研究提 出了更高要求和挑戰(zhàn)。怎樣對(duì)這些海量的基因表達(dá)數(shù)據(jù)進(jìn)行分析并發(fā)掘其中隱藏的信息， 是當(dāng)今生物信息學(xué)的一個(gè)研究熱點(diǎn)，也是數(shù)據(jù)挖掘領(lǐng)域中亟待解決的問題。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種基于雙階遺傳計(jì)算的基 因表達(dá)數(shù)據(jù)的雙聚類算法。
[0004] 本發(fā)明的目的通過以下的技術(shù)方案實(shí)現(xiàn)：
[0005] -種基于雙階遺傳計(jì)算的基因表達(dá)數(shù)據(jù)的雙聚類算法，包含以下順序的步驟：
[0006] 1)設(shè)基因表達(dá)數(shù)據(jù)矩陣為M，行數(shù)為m，列數(shù)為n，即基因表達(dá)數(shù)據(jù)矩陣的大小為 mXn，將原始的數(shù)據(jù)矩陣M的每一行減去第k行，得到處理之后的矩陣M(k)，k= 1，2,…，n;
[0007] 2)對(duì)處理之后的矩陣M(k)中除了第k列之外的每一列，使用距離閾值為cof?的層 次聚類，得到每一列的雙聚類種子，然后將所有得到的雙聚類種子全部放入一個(gè)名為Bic_ Set的集合；
[0008] 3)從Bic_Set的集合中選取一個(gè)雙聚類種子，對(duì)未包含其中的行列進(jìn)行編碼；將 未包含的行列作為搜索空間，每個(gè)行和列作為一個(gè)個(gè)體，隨機(jī)選擇隊(duì)行和N /I」，令N 1 = 隊(duì)+%，即隨機(jī)選擇&個(gè)個(gè)體，構(gòu)成了初始化種群P1 ;將選中的行和列的位置記為1，沒有選 中的行和列的位置記為〇,則得到種群P1的編碼；
[0009] 4)將初始化的P1種群的&個(gè)個(gè)體（行或列）分別獨(dú)立的加進(jìn)雙聚類種子中，得 到N 2個(gè)已擴(kuò)大的雙聚類，其中t = N2，每個(gè)雙聚類作為一個(gè)個(gè)體，由N2個(gè)個(gè)體構(gòu)成初始種 群P2,然后對(duì)每個(gè)雙聚類進(jìn)行二進(jìn)制編碼，編碼的長(zhǎng)度為m+n，前m位用于行編碼，后n位用 于列編碼，將雙聚類中包含的行和列對(duì)應(yīng)的位置置為1;經(jīng)過以上步驟就得到種群P2中雙 聚類的編碼；至此，我們就得到了初始化的種群P1和初始化的種群P2 ;
[0010] 5)接著使用適應(yīng)度函數(shù)Fitnessl(P)評(píng)價(jià)種群P1中每個(gè)個(gè)體的適應(yīng)度，設(shè)變異概 率為m ;從&個(gè)個(gè)體中選擇（1-m)*^個(gè)適應(yīng)度高的個(gè)體，將其遺傳到下一代種群中，然后將 個(gè)適應(yīng)度低的個(gè)體進(jìn)行變異，得到新的m*N i個(gè)體，即重新隨機(jī)選取m*N i個(gè)新的行或者 列；然后將變異得到的新的個(gè)體也加入下一代種群中，由此得到種群P1中新的&個(gè)個(gè)體， 其中適應(yīng)度函數(shù)為 Fitnessl (p) = Bicluster. Msr-Bicluster. Msr (p)，Bicluster. Msr 是 種群PI中第P個(gè)個(gè)體對(duì)應(yīng)產(chǎn)生的種群p2中的雙聚類的平均平方殘基，Bicluster. Msr (p) 是去掉第P行或者第P列之后的雙聚類的平均平方殘基；至此，這一代種群P1的遺傳進(jìn)化 完成；
[0011] 6)然后使用適應(yīng)度函數(shù)Fitness2 (Bicluster)評(píng)價(jià)種群P2中的N2個(gè)個(gè)體的適應(yīng) 度，從中選取適應(yīng)度高的g個(gè)個(gè)體遺傳到下一代，將種群P2中其余的適應(yīng)度低的個(gè)體淘汰， 其中g(shù)〈N 2;其中適應(yīng)度函數(shù)為
[0012]
【主權(quán)項(xiàng)】
1. 一種基于雙階遺傳計(jì)算的基因表達(dá)數(shù)據(jù)的雙聚類算法，其特征在于，包含以下順序 的步驟： 1) 設(shè)基因表達(dá)數(shù)據(jù)矩陣為M，行數(shù)為m，列數(shù)為n，即基因表達(dá)數(shù)據(jù)矩陣的大小為mXn， 將原始的數(shù)據(jù)矩陣M的每一行減去第k行，得到處理之后的矩陣M(k)，k= 1，2,…，n; 2) 對(duì)處理之后的矩陣M(k)中除了第k列之外的每一列，使用距離閾值為cof的層次 聚類，得到每一列的雙聚類種子，然后將所有得到的雙聚類種子全部放入一個(gè)名為Bic_Set 的集合； 3) 從Bic_Set的集合中選取一個(gè)雙聚類種子，對(duì)未包含其中的行列進(jìn)行編碼；將未包 含的行列作為搜索空間，每個(gè)行和列作為一個(gè)個(gè)體，隨機(jī)選擇隊(duì)行和N/I」，令Ni=N,+%，即 隨機(jī)選擇&個(gè)個(gè)體，構(gòu)成了初始化種群P1 ;將選中的行和列的位置記為1，沒有選中的行和 列的位置記為0,則得到種群P1的編碼； 4) 將初始化的P1種群的&個(gè)個(gè)體分別獨(dú)立的加進(jìn)雙聚類種子中，得到N2個(gè)已擴(kuò)大的 雙聚類，其中N2，每個(gè)雙聚類作為一個(gè)個(gè)體，由N2個(gè)個(gè)體構(gòu)成初始種群P2,然后對(duì)每個(gè) 雙聚類進(jìn)行二進(jìn)制編碼，編碼的長(zhǎng)度為m+n，前m位用于行編碼，后n位用于列編碼，將雙聚 類中包含的行和列對(duì)應(yīng)的位置置為1 ;經(jīng)過以上步驟就得到種群P2中雙聚類的編碼；至此， 我們就得到了初始化的種群P1和初始化的種群P2 ; 5) 接著使用適應(yīng)度函數(shù)Fitnessl(p)評(píng)價(jià)種群P1中每個(gè)個(gè)體的適應(yīng)度，設(shè)變異概率為 m;從&個(gè)個(gè)體中選擇（1-mhNi個(gè)適應(yīng)度高的個(gè)體，將其遺傳到下一代種群中，然后將111*1 個(gè)適應(yīng)度低的個(gè)體進(jìn)行變異，得到新的m*%個(gè)體，即重新隨機(jī)選取個(gè)新的行或者列；然 后將變異得到的新的個(gè)體也加入下一代種群中，由此得到種群P1中新的K個(gè)個(gè)體，其中適 應(yīng)度函數(shù)為Fitnessl(p) =Bicluster.Msr-Bicluster.Msr(p)，Bicluster.Msr是種群P1 中第P個(gè)個(gè)體對(duì)應(yīng)產(chǎn)生的種群p2中的雙聚類的平均平方殘基，Bicluster.Msr(p)是去掉 第P行或者第P列之后的雙聚類的平均平方殘基；至此，這一代種群P1的遺傳進(jìn)化完成； 6) 然后使用適應(yīng)度函數(shù)Fitness2(Bicluster)評(píng)價(jià)種群P2中的N2個(gè)個(gè)體的適應(yīng)度， 從中選取適應(yīng)度高的g個(gè)個(gè)體遺傳到下一代，將種群P2中其余的適應(yīng)度低的個(gè)體淘汰，其 中g(shù)〈N2;其中適應(yīng)度函數(shù)為
式中，Bicluster.Hscore是雙聚類的平均平方殘基，Bicluster.Volume是雙聚類的大 ??； 7) 然后將下一代種群P1的&個(gè)體隨機(jī)的加入到由步驟6)中由種群P2得到的適應(yīng)度 較高的g個(gè)個(gè)體中，即將種群P1中的每個(gè)個(gè)體所對(duì)應(yīng)的行和列分別獨(dú)立地加入g個(gè)雙聚類 中，得到N2個(gè)包含較優(yōu)且已擴(kuò)大的雙聚類個(gè)體的下一代種群P2 ; 8) 之后繼續(xù)對(duì)種群P1使用遺傳算法，產(chǎn)生下一代種群P1中的個(gè)體，將種群P1的新一 代的K個(gè)個(gè)體隨機(jī)的加入到由種群P2得到的適應(yīng)度較高的g個(gè)個(gè)體中，又產(chǎn)生了下一代 種群P2 ;不斷重復(fù)步驟5)、6)、7)，直到達(dá)到預(yù)先設(shè)定的最大的進(jìn)化次數(shù)或種群P2中的個(gè)體 大部分相同，最后從種群P2中挑選出最優(yōu)的雙聚類。
2. 根據(jù)權(quán)利要求1所述的基于雙階遺傳計(jì)算的基因表達(dá)數(shù)據(jù)的雙聚類算法，其特征在 于：步驟2)中，所述的每個(gè)雙聚類種子都對(duì)應(yīng)著一個(gè)處理任務(wù)，對(duì)每個(gè)處理任務(wù)進(jìn)行并行 化處理。
3. 根據(jù)權(quán)利要求1所述的基于雙階遺傳計(jì)算的基因表達(dá)數(shù)據(jù)的雙聚類算法，其特征在 于：步驟5)中，所述的使用適應(yīng)度函數(shù)Fitnessl(p)來評(píng)價(jià)種群P1中個(gè)體的適應(yīng)度，其實(shí) 就是計(jì)算種群P1中第P個(gè)個(gè)體對(duì)種群p2中的對(duì)應(yīng)的雙聚類的貢獻(xiàn)程度，通過Fitnessl(p) 計(jì)算得到值越小，說明加入第P行或者第P列使得當(dāng)前雙聚類的平均平方殘基（MSR)值越 小，即該行或者列對(duì)雙聚類質(zhì)量的影響越好。
4. 根據(jù)權(quán)利要求1所述的基于雙階遺傳計(jì)算的基因表達(dá)數(shù)據(jù)的雙聚類算法，其特征在 于：步驟7)中，所述的將種群P1的新一代的&個(gè)個(gè)體隨機(jī)的加入由種群P2得到的適應(yīng)度 較高的g個(gè)個(gè)體中，具體通過使用一種輪盤賭規(guī)則來實(shí)現(xiàn)：計(jì)算出g個(gè)個(gè)體適應(yīng)度的總和； 然后計(jì)算出g個(gè)個(gè)體相對(duì)適應(yīng)度的大小，即每個(gè)個(gè)體的適應(yīng)度占適應(yīng)度總和的比率Ri，i= 1，2,…，g;然后將P1中的&個(gè)個(gè)體分別乘以相對(duì)比率Rp得到種群P1中的個(gè)體隨機(jī)加入 到種群P2中g(shù)個(gè)個(gè)體的個(gè)數(shù)&*氏。
【專利摘要】本發(fā)明公開了一種基于雙階遺傳計(jì)算的基因表達(dá)數(shù)據(jù)的雙聚類算法，將矩陣M中的每一列減去第k列得到矩陣M(k)，k＝1，2，…，n；對(duì)M(k)的每一列進(jìn)行層次聚類，得到雙聚類種子的集合；通過遺傳計(jì)算獲得對(duì)應(yīng)的雙聚類。本發(fā)明所述的算法，可解決傳統(tǒng)基于遺傳計(jì)算的雙聚類算法只能針對(duì)雙聚類進(jìn)行選擇的缺點(diǎn)，通過同時(shí)對(duì)行列進(jìn)行優(yōu)化，可提高搜索效率，并獲得更優(yōu)的雙聚類分析效果。
【IPC分類】G06F17-30, G06F19-20
【公開號(hào)】CN104573004
【申請(qǐng)?zhí)枴緾N201510008985
【發(fā)明人】黃慶華, 楊杰, 黃仙海
【申請(qǐng)人】華南理工大學(xué)
【公開日】2015年4月29日
【申請(qǐng)日】2015年1月6日