技術(shù)領(lǐng)域

本發(fā)明屬于生物工程技術(shù)領(lǐng)域，主要涉及生物信息學(xué)和生物數(shù)據(jù)挖掘，具體涉及一種基于網(wǎng)絡(luò)分析的群lasso特征分群方法。

背景技術(shù)

生物工程是以生物學(xué)(主要是基因遺傳學(xué)、細胞學(xué)和生物化學(xué))的理論為基礎(chǔ)，結(jié)合機械、電子計算機、化工等現(xiàn)代工程技術(shù)，充分運用分子生物學(xué)的最新成就，自覺操縱遺傳物質(zhì)，再對這些改造的工程細胞株進行培養(yǎng)，通過細胞增殖以生產(chǎn)大量有用代謝產(chǎn)物或發(fā)揮它們獨特生理功能的一門新興技術(shù)。其廣泛的用途主要應(yīng)用于醫(yī)藥衛(wèi)生、食品輕工、農(nóng)牧漁業(yè)、能源化工、冶金工業(yè)、環(huán)境保護等諸多方面。生物工程技術(shù)的合理應(yīng)用將為解決人類面臨的糧食、健康、環(huán)境、能源等重大問題開辟廣闊的前景。

生物工程與計算器微電子技術(shù)、新材料、新能源等被列為21世紀科學(xué)技術(shù)的核心。由于生命科學(xué)和計算機科學(xué)的有機結(jié)合，從而可以通過綜合利用生物學(xué)，計算機科學(xué)和信息技術(shù)而揭示大量而復(fù)雜的生物數(shù)據(jù)所賦有的生物學(xué)奧秘。

生物工程著眼于分子層面，是對基因進行改造和重組而后進行培養(yǎng)增殖。對于改造后的細胞植株要想快速培養(yǎng)應(yīng)用于生物醫(yī)藥時，首先應(yīng)從海量未知基因選擇出并找到影響細胞增殖的相關(guān)基因，這也是整個工程中至關(guān)重要的一步。另外，對于基因進行有效地分群，了解其生物意義，還可以開發(fā)出基于這些基因的價格低廉的疾病基因芯片。

目前為止基因的選擇方法可以分為：濾波法、包裝方法、內(nèi)含法。雖然這些方法成功地應(yīng)用于聯(lián)合的基因選擇和微陣列分類，但是卻不能較好的將其應(yīng)用于較多的基因分群之中，也不能揭示出基因與基因之間的相互作用。為了成群地選擇特征的同時并能夠進行精度預(yù)測，2006年Yuan和Lin提出能按照預(yù)先分好的群進行基因選擇的群lasso，Meleretal將其擴展到邏輯斯諦回歸。為了能夠同時產(chǎn)生分群的稀疏性和群內(nèi)稀疏性，Simonetal提出了稀疏群lasso而且通過增廣坐標下降算法發(fā)展了一個算法來擬合這個模型；Vincent等人將它拓展到了多項式稀疏群lasso和發(fā)展了求解算法。盡管群lasso，稀疏群lasso和它們的拓展已經(jīng)成功地應(yīng)用到微陣列分類和基因選擇，但是它們高度賴于群的劃分。傳統(tǒng)的群lasso模型及其推廣模型大多采用數(shù)據(jù)集中編寫程序進行隨機自動分群，常常出現(xiàn)分群只與數(shù)據(jù)有關(guān)，與實際應(yīng)用背景無關(guān)(無生物學(xué)意義)。從生物學(xué)角度來說，很容易根據(jù)基因調(diào)控網(wǎng)絡(luò)將基因成群地劃分，然而對于復(fù)雜的生物過程卻很難探測基因通路并構(gòu)建調(diào)控網(wǎng)絡(luò)。因此，對群lasso及其推廣模型進行特征分群是生物信息學(xué)、計算生物學(xué)等領(lǐng)域的一個急需解決的挑戰(zhàn)性問題。

發(fā)明內(nèi)容

本發(fā)明的目的是克服上述方法中存在的缺陷，提出了一種具有可靠性的基于網(wǎng)絡(luò)分析的群lasso及其推廣模型的分群方法，以構(gòu)建分層聚類樹并利用動態(tài)樹剪切算法識別出影響細胞增殖的重要變量模塊，并根據(jù)精簡的網(wǎng)絡(luò)模塊對特征進行分群，進而簡化特征分群難度并提高模型進行特征選擇的可靠性。

本發(fā)明為實現(xiàn)上述目的采用如下技術(shù)方案，通過對實驗數(shù)據(jù)進行預(yù)處理將其分為兩個數(shù)據(jù)集并通過相似性測量和冪鄰接函數(shù)構(gòu)建出鄰接矩陣；然后利用差異性測量分別構(gòu)建出兩類樣本的分層聚類樹并利用動態(tài)剪切樹算法，計算出不同數(shù)據(jù)樣本中的重要模塊；而后用負樣本模塊來簡化正樣本模塊，得到精簡模塊；最后根據(jù)特征變量分群，構(gòu)建稀疏群lasso模型。其實現(xiàn)步驟如下：

(1)對于具體實驗所得到的“小樣本，超高維”數(shù)據(jù)，為了降低數(shù)據(jù)運行程序的負擔(dān)，依據(jù)實際實驗背景，將原始數(shù)據(jù)中的異常數(shù)據(jù)，小關(guān)聯(lián)數(shù)據(jù)篩選出來去掉，從而得到分群預(yù)處理數(shù)據(jù)集X＝[X_hj]_m×n；

(2)根據(jù)分類任務(wù)的類別，將分群預(yù)處理數(shù)據(jù)集X分為兩類,即X⁺,X^-；通過相似性測量和冪鄰接函數(shù)，分別構(gòu)建出鄰接矩陣

(3)將鄰接矩陣轉(zhuǎn)化為拓撲重疊矩陣，利用差異性測量分別構(gòu)建正樣本和負樣本的分層聚類樹；

(4)利用動態(tài)剪切樹算法，分別計算出正樣本中的重要模塊和負樣本中的重要模塊；

(5)根據(jù)實際的實驗背景，利用負樣本中的模塊來簡化正樣本中的模塊，得到q個精簡模塊；根據(jù)精簡后的網(wǎng)絡(luò)模塊，把相應(yīng)的變量分為特征群，余下的每一個變量分別看作一個特征群，進而完成特征分群任務(wù)；

(6)根據(jù)上述分群策略將特征變量分成q個群，并構(gòu)建稀疏群lasso模型：