基因表達(dá)譜數(shù)據(jù)挖掘方法研究

前言
第1章　緒論
1.1　生物信息學(xué)簡(jiǎn)介
1.1.1　生物信息學(xué)概念
1.1.2　生物信息學(xué)的研究背景和意義
1.1.3　生物信息學(xué)的研究?jī)?nèi)容與方法
1.1.4　生物信息學(xué)的研究歷史和現(xiàn)狀
1.1.5　應(yīng)用前景
1.2　基因組時(shí)代簡(jiǎn)介
1.2.1　基因組計(jì)劃
1.2.2　基因的基本結(jié)構(gòu)
1.3　基因表達(dá)譜數(shù)據(jù)挖掘的研究意義與研究現(xiàn)狀
1.3.1　研究意義
1.3.2　研究現(xiàn)狀
1.4　本章小結(jié)
參考文獻(xiàn)
第2章　DNA微陣列技術(shù)與基因表達(dá)譜
2.1　基因芯片與DNA微陣列
2.1.1　基因芯片介紹
2.1.2　基因芯片的特點(diǎn)、分類和制作
2.1.3　基因芯片制備方法
2.1.4　DNA微陣列技術(shù)的應(yīng)用和研究方向
2.2　基因表達(dá)譜
2.2.1　基因表達(dá)譜的獲取與表示
2.2.2　基因表達(dá)譜的特點(diǎn)
2.2.3　基因表達(dá)譜的數(shù)學(xué)描述
2.2.4　常用的腫瘤基因表達(dá)譜數(shù)據(jù)集
2.3　基因表達(dá)譜數(shù)據(jù)分析
2.3.1　基因表達(dá)譜數(shù)據(jù)的預(yù)處理
2.3.2　基因表達(dá)譜數(shù)據(jù)分析的層次
2.3.3　差異基因篩選
2.3.4　基因解讀與注釋
2.3.5　基因表達(dá)調(diào)控
2.4　基因表達(dá)譜的研究方向
2.5　本章小結(jié)
參考文獻(xiàn)
第3章　基因表達(dá)譜數(shù)據(jù)挖掘中的模式識(shí)別基礎(chǔ)
3.1　模式識(shí)別的概念及其研究方向
3.2　特征提取與選擇方法
3.2.1　特征提取中用到的統(tǒng)計(jì)量
3.2.2　基因表達(dá)譜的特征提取與選擇
3.3　常用的基因表達(dá)譜聚類與分類算法
3.3.1　基因表達(dá)譜聚類和分類的目的
3.3.2　聚類與分類算法的劃分及評(píng)估準(zhǔn)則
3.3.3　基于類間距離的聚類算法
3.3.4　層次聚類
3.3.5　基于密度、網(wǎng)格和模型的聚類算法
3.3.6　K-均值法
3.3.7　仿射傳播聚類
3.3.8　K-近鄰分類方法及其改進(jìn)方法
3.3.9　決策樹
3.3.10　線性判別分析
3.3.11　基因表達(dá)譜可分性判據(jù)
3.4　分類器
3.4.1　貝葉斯分類器
3.4.2　人工神經(jīng)網(wǎng)絡(luò)
3.4.3 自組織映射
3.4.4　支持向量機(jī)
3.4.5　多分類器性能比較
3.5　本章小結(jié)
參考文獻(xiàn)
第4章　基于因子分量分析的基因表達(dá)譜特征提取方法
4.1　基因表達(dá)譜特征提取方法簡(jiǎn)介
4.2　主分量分析
4.2.1　主分量分析的基本思想
4.2.2　主分量分析算法步驟
4.3　判決主分量分析
4.3.1　判決主分量分析的基本思想
4.3.2　判決主分量分析算法步驟
4.4　因子分析
4.4.1　因子分析的基本思想
4.4.2　因子分析算法的步驟
4.5　獨(dú)立分量分析
4.5.1 獨(dú)立分量分析的基本思想
4.5.2 獨(dú)立分量分析算法的步驟
4.5.3 FastICA
4.6 因子分析、主分量分析和獨(dú)立分量分析之間的關(guān)系
4.7 基于主分量分析、判決主分量分析和因子分析的腫瘤亞型分類方法
4.7.1 算法框架模型
4.7.2 信息基因選擇
4.7.3 基于主分量分析的腫瘤亞型分類的實(shí)驗(yàn)結(jié)果與分析
4.7.4 基于判決主分量分析的腫瘤亞型分類的實(shí)驗(yàn)結(jié)果與分析
4.7.5 基于因子分析的腫瘤亞型分類的實(shí)驗(yàn)結(jié)果與分析
4.8 基于獨(dú)立分量分析的腫瘤亞型分類方法
4.8.1 基因表達(dá)譜的IcA模型及其生物學(xué)意義
4.8.2 基于獨(dú)立分量分析的基因表達(dá)譜提取與選擇算法
4.8.3 實(shí)驗(yàn)結(jié)果與分析
4.9 基于獨(dú)立分量分析的腫瘤亞型懲罰性分類方法
4.9.1 懲罰性回歸模型
4.9.2 優(yōu)化得分算法
4.9.3 懲罰性優(yōu)化得分分類算法
4.9.4 特征基因的初選
4.9.5 實(shí)驗(yàn)結(jié)果與分析
4.1 0本章小結(jié)
參考文獻(xiàn)
第5章 基于傅里葉與小波包變換的基因表達(dá)譜特征提取方法
5.1 基于離散余弦變換和傅里葉變換的基因表達(dá)譜特征提取方法
5.1.1 離散傅里葉變換和離散余弦變換
5.1.2 Relief算法
5.1.3 基因表達(dá)譜分類模型
5.1.4 實(shí)驗(yàn)結(jié)果與分析
5.2 基于小波包變換的基因表達(dá)譜特征提取與選擇
5.2.1 小波包變換
5.2.2 腫瘤亞型分類方法
5.2.3 實(shí)驗(yàn)結(jié)果與分析
5.3 基因表達(dá)譜的特征提取與選擇方法比較
5.4 本章小結(jié)
參考文獻(xiàn)
第6章 信息基因的啟發(fā)式搜索算法研究
6.1 信息基因選擇問題
6.1.1 基于基因表達(dá)譜的腫瘤分類問題描述
6.1.2 腫瘤分類模型及評(píng)估
6.1.3 信息基因選擇方法簡(jiǎn)介
6.1.4 信息基因選擇策略
6.2 基于啟發(fā)式搜索的基因表達(dá)譜數(shù)據(jù)挖掘算法
6.2.1 腫瘤信息基因的啟發(fā)式寬度(HBSA)優(yōu)先搜索算法
6.2.2 信息基因選擇
6.2.3 HBSA算法實(shí)現(xiàn)
6.2.4 實(shí)驗(yàn)結(jié)果與分析
6.3 基于wilcoxon秩和檢驗(yàn)的信息基因選擇方法
6.3.1 算法的基本思想
6.3.2 算法的基本步驟
6.3.3 實(shí)驗(yàn)結(jié)果與分析
6.4 基于Kruskal-Wallis秩和檢驗(yàn)的基因選擇方法
6.4.1 算法的基本步驟
6.4.2 實(shí)驗(yàn)結(jié)果與分析
6.4.3 SRCT數(shù)據(jù)集中信息基因描述及腫瘤亞型相關(guān)基因推測(cè)
6.5 本章小結(jié)
參考文獻(xiàn)
第7章 基于粗糙集的信息基因選擇方法
7.1 基于粗糙集的腫瘤信息基因選擇方法
7.1.1 粗糙集模型簡(jiǎn)介
7.1.2 粗糙集屬性約簡(jiǎn)的一般步驟和算法實(shí)現(xiàn)
7.1.3 基于粗糙集的信息基因選擇方法
7.1.4 實(shí)驗(yàn)結(jié)果與分析
7.2 基于鄰域粗糙集的腫瘤信息基因選擇方法
7.2.1 鄰域粗糙集模型簡(jiǎn)介
7.2.2 鄰域分類器
7.2.3 基于鄰域粗糙集模型的腫瘤分類方法
7.2.4 實(shí)驗(yàn)結(jié)果與分析
7.3 基于鄰域粗糙集的多類腫瘤亞型分類方法
7.3.1 多腫瘤亞型分類算法框架和模型
7.3.2 實(shí)驗(yàn)結(jié)果與分析
7.4 本章小結(jié)
參考文獻(xiàn)
第8章 基于基因調(diào)控概率模型的基因表達(dá)譜數(shù)據(jù)挖掘方法
8.1 基因表達(dá)調(diào)控的生物學(xué)背景
8.2 基于概率統(tǒng)計(jì)的基因調(diào)控概率模型
8.3 基因調(diào)控概率計(jì)算
8.3.1 基于全概率公式的基因調(diào)控概率計(jì)算
8.3.2 基于最大似然估計(jì)的基因調(diào)控概率計(jì)算
……
第9章　基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的基因選擇及腫瘤分類方法
第10章　基于集成分類器系統(tǒng)的基因表達(dá)譜數(shù)據(jù)挖掘方法研究
第11章　基于流形學(xué)習(xí)的基因表達(dá)譜特征提取方法
第12章　基于張量分析的高階基因表達(dá)譜特征提取方法
附錄　部分源代碼
彩圖